跌倒行为检测是家居安全监控的重要组成部分之一,其研究对老年人,特别是独居老人的安全监护有重要的意义。随着机器视觉技术的发展和视频监控技术在生活中的广泛应用,基于视频分析的跌倒行为检测技术为老人的安全监护提供了新的安全预警手段。视频跌倒行为检测,利用计算机视觉技术提取视频图像中的人体目标,基于目标的特征分析,实现行为的分类判别。本文在目标提取、特征分析及分类模型构建等关键技术分析的基础上,重点对基于超限学习机的分类模型展开深入研究,并对跌倒行为检测中的具体问题,构建视频跌倒行为检测算法。具体工作如下:1.针对超限学习机的输入权重和隐藏层偏置在初始化时由于随机赋值而导致分类器的准确度稳定性较低的问题,提出了基于参数优化的超限学习机分类模型。引入引力搜索算法,将输入权重和隐藏层偏置参数作为待优化粒子,利用粒子间的相互作用,进行引力搜索优化;同时,在优化过程中对粒子的速度进行区间限制,即对超限学习机的参数进行区间搜索优化。利用UCI数据库,对基于参数优化的超限学习机分类模型进行分类验证。实验结果表明:基于参数优化的超限学习机分类模型的分类精度大大提高。2.针对视频跌倒检测分类精度低的问题,提出了基于聚类和参数优化ELM的跌倒检测算法。考虑到人体目标提取时存在跌倒行为描述不完整、无法真实展现行为过程等问题,引入聚类思想,对视频帧的纹理特征进行聚类分析,提取人体运动视频的关键帧并利用高斯混合模型提取目标;利用本文提出基于参数优化的超限学习机分类模型构建分类检测模型,实现跌倒行为的精确检测。利用SDUFall数据集进行算法测试,实验结果表明:提出的基于聚类和参数优化ELM的跌倒检测算法,提高了视频跌倒行为检测的精度。