基于深度學(xué)習(xí)和WebRTC的智能跌倒監(jiān)控系統(tǒng)研究.pdf

1、隨著我國人口老齡化程度不斷加劇和社會(huì)生活壓力的日漸增長，空巢老人的比例不斷上升。老人獨(dú)自居住造成很多社會(huì)問題，尤其是老人的健康問題，其中老人意外跌倒損傷是影響老人健康的主要原因之一。老人跌倒后沒有被及時(shí)處理會(huì)增加二次傷害，甚至導(dǎo)致老人意外死亡。據(jù)相關(guān)統(tǒng)計(jì)50%以上的老人跌倒發(fā)生在家中，如果能夠?qū)先说牡剐袨檫M(jìn)行實(shí)時(shí)的監(jiān)控，當(dāng)老人發(fā)生跌倒行為后能準(zhǔn)確識(shí)別，并向其監(jiān)護(hù)人發(fā)送提醒信息，使老人得到及時(shí)的救助將極大減少跌倒對(duì)老人健康的傷害?；?/p>

2、此，本文展開了基于深度學(xué)習(xí)和WebRTC的智能跌倒監(jiān)控系統(tǒng)的研究。主要工作如下：
　　在分析基于深度學(xué)習(xí)和WebRTC的智能跌倒監(jiān)控系統(tǒng)的功能需求的基礎(chǔ)上，提出了系統(tǒng)的技術(shù)方案。該方案使用深度學(xué)習(xí)技術(shù)實(shí)現(xiàn)老人跌倒行為的智能識(shí)別，基于WebRTC視頻傳輸架構(gòu)實(shí)現(xiàn)遠(yuǎn)程視頻傳輸。
　　展開了基于深度學(xué)習(xí)的跌倒行為識(shí)別的研究。首先，提出并仿真實(shí)現(xiàn)了基于視頻幀和VGGNet-16卷積神經(jīng)網(wǎng)絡(luò)模型的跌倒識(shí)別方法；對(duì)Le2i、SDU、UC

3、F-101開源視頻數(shù)據(jù)集，進(jìn)行水平翻轉(zhuǎn)、對(duì)比度和亮度調(diào)節(jié)、加噪等數(shù)據(jù)增強(qiáng)處理后構(gòu)建卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集和測試集，對(duì)上述方法進(jìn)行訓(xùn)練和測試。實(shí)驗(yàn)結(jié)果表明：該方法識(shí)別結(jié)果強(qiáng)烈依賴于訓(xùn)練場景。其次，針對(duì)上述的問題，提出了一種基于雙流卷積神經(jīng)網(wǎng)絡(luò)的跌倒識(shí)別方法。該方法：一路采用場景相減法檢測視頻中的運(yùn)動(dòng)目標(biāo)，將視頻幀中運(yùn)動(dòng)目標(biāo)加框標(biāo)記后輸入到3D-CNN模型中進(jìn)行跌倒識(shí)別；另一路采用光流法提取視頻的光流圖，將光流圖輸入到VGGNet-16模型中

4、進(jìn)行跌倒識(shí)別；最后將兩路模型的跌倒識(shí)別結(jié)果進(jìn)行線性加權(quán)融合。實(shí)驗(yàn)結(jié)果表明：基于雙流卷積神經(jīng)網(wǎng)絡(luò)的跌倒識(shí)別方法跌倒識(shí)別率為96%，比基于視頻幀和VGGNet-16卷積神經(jīng)網(wǎng)絡(luò)模型的跌倒識(shí)別方法識(shí)別率提高了51%，比基于運(yùn)動(dòng)目標(biāo)檢測和3D-CNN的跌倒識(shí)別方法提高了4%，比基于光流圖和VGGNet-16的跌倒識(shí)別方法提高了3%，且有良好的泛化能力。
　　展開了基于WebRTC的遠(yuǎn)程視頻監(jiān)控的研究。提出了基于WebRTC的遠(yuǎn)程視頻監(jiān)控方