基于视频的老年人异常行为识别方法研究

摘要

当今社会人口老龄化程度不断加深，独居老人的养老问题受到社会越来越多的重视。因此，运用智能技术建立独居老人监护系统，及时发现老人的异常行为，监护独居老人的生命安全，成为目前社会养老问题的迫切需求。在此背景下，本文基于视频数据，提出了一种基于时空特征的栈式卷积ISA模型特征提取方法，对提取到的特征进行聚类分析，再通过支持向量机分类器对行为进行分类，识别出异常行为，主要研究内容如下： 首先归纳总结现有方法。通过查阅大量国内外相关文献，对现有的异常行为特征提取方法进行了概述，从全局特征提取和局部特征提取两个方面进行了介绍和分析。针对现有的特征提取算法的缺点，提出了一种新的基于时空特征的特征提取模型—栈式卷积ISA模型。该模型通过无监督的特征学习从视频中提取人体运动的时空特征，这种特征提取方法能够高效地处理大样本数据，提取到内容更为丰富的显著特征，适合处理视频的识别工作。 其次针对原有模型的学习算法受正交约束计算维度高，收敛速度慢的缺点，对其进行了改进，将正交约束的权值优化转化为无约束优化，提出了一种新的学习算法—L-BFGS算法，改进后收敛速度有所加快且识别率也有一定提升。 最后详细介绍了本文基于视频数据的老年人异常行为识别方法流程，本文的整体系统包括视频样本的采样、数据预处理、时空特征提取、特征聚类及行为识别。并使用MATLAB软件在录制的日常行为视频库上对其进行了仿真验证。

目录

声明

第一章 绪论

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1基于穿戴式设备的老年人异常行为识别

1.2.2 基于环境传感器的老年人异常行为识别

1.2.3基于计算机视觉的老年人异常行为识别

1.3 本文主要内容及结构安排

1.3.1 主要研究内容

1.3.2 论文结构安排

第二章 动作特征提取

2.1 全局特征提取

2.1.1 全局形状特征

2.1.2 全局时空特征

2.2局部时空特征提取

2.2.1 时空兴趣点检测

2.2.2 时空兴趣点特征描述子

2.3本章小结

第三章 栈式卷积ISA模型特征提取

3.1独立子空间分析（ISA）

3.1.1 ISA模型

3.1.2 学习算法

3.1.3 特征分析

3.2栈式卷积ISA模型

3.2.1 栈式网络结构

3.2.2 卷积神经网络

3.3时空特征的提取

3.4权值优化算法改进

3.5本章小结

第四章 异常行为识别

4.1特征聚类

4.1.1 视觉词袋模型

4.2支持向量机（SVM）行为分类识别

4.2.1 SVM模型

4.2.2 SVM多类分类

4.3 训练与测试过程

4.4本章小结

第五章 系统设计与实验结果分析

5.1数据样本采样

5.1.1 构建视频数据库

5.1.2 视频样本分割

5.2 样本数据预处理

5.2.1 数据归一化

5.2.2 数据白化

5.3 特征提取

5.3.1 模型训练过程

5.3.2 特征提取过程

5.4 特征聚类

5.5 分类识别

5.5.1 行为识别的实验结果与分析

5.6 本章小结

第六章 总结与展望

6.1 工作总结

6.2 研究展望

参考文献

攻读学位期间所取得的相关科研成果

致谢