论文部分内容阅读
随着我国进入老龄化社会,有越来越多的老人独自居住。由于老人生理机能的老化,经常会发生一些突发疾病导致老人晕倒,此时老人如没有及时得到救治,会有威胁生命的可能性,因此“空巢老人”的看护问题成为社会的一个热点话题。随着计算机视觉科学的发展,家庭视频监控系统作为一种新的安防手段,逐渐进入人们的视野,它可以很好地解决“空巢老人”的看护问题,同时节省大量的人力物力,为很多家庭解决后顾之忧。基于视频监控系统的人体行为检测主要是指利用摄像机获取到的图像,运用某种手段检测和跟踪人体的运动,提取能够代表人体运动信息的参数,分析人体的运动状态,最终达到对人体行为的理解。本文中定义的异常行为主要是指人在进行正常活动时,发生突然跌倒的情况,本文基于这方面的相关算法和理论,研究和实现了家庭视频监控系统中人体异常行为的检测,并取得了一定的研究成果。本文研究内容如下:1.运动人体的检测和分割针对传统动目标识别算法检测速度较慢,识别准确率不高的特点,本文选取ViBE算法作为运动人体检测算法,解决了这一问题。同时针对ViBE算法检测过程中可能出现的阴影问题进行了改进:在初始化背景模型时采用建立双模型的方法,在利用灰度模型检测出运动前景的基础上,利用HSV颜色模型对运动前景区域进行二次检测,将阴影与运动人体进行分割。2.人体特征提取由于人体的运动是非刚性运动,单特征往往不能完整表达人体的运动情况,本文针对运动人体图像提取融合特征,该融合特征包含三种特征算子,分别是:(1)人体剪影特征。其中包括人体高宽比、中心变化率和有效面积比三个参数,这三个参数都是基于人体轮廓的最小外接矩形提取出来的。(2)全局特征。提取了图像的Hu不变矩特征来描述运动人体的全局特征。(3)局部特征。提取图像的SURF特征点来描述人体运动的局部特征。最后将这三种特征结合形成一个融合特征算子,经实验证明该融合特征能够全方位地描述人体运动的情况,检测准确度达到98%左右,并且计算效率较高,可以很好地适应家庭视频监控场合。3.人体行为的分类由于本文单帧提取的特征数据的维数较高,使用传统分类算法容易导致计算效率较低,针对这一问题,本文采用支持向量机的方法对人体行为进行分类,区分正常行为和异常行为。支持向量机采用将高维数据映射到高维空间中的方法寻找最优分类方程的方法,降低了高维数据分类的时间复杂度。实验表明,基于支持向量机的分类方法可以有效地区分异常行为和正常行为,其计算速度和识别准确率可以达到实际应用需求。