基于多模特征融合的人體跌倒檢測(cè)算法研究.pdf

1、人類社會(huì)已步入老齡化時(shí)代，空巢老人比例逐年增長，跌倒是老年人，特別是獨(dú)居老人受傷的主要原因。隨著計(jì)算機(jī)技術(shù)、傳感器技術(shù)和圖像信息處理技術(shù)的飛速發(fā)展，人體跌倒檢測(cè)成為國內(nèi)外學(xué)者關(guān)注的熱點(diǎn)?；谟?jì)算機(jī)視覺技術(shù)的人體跌倒檢測(cè)，不僅可以檢測(cè)獨(dú)居老人跌倒，及時(shí)報(bào)警，有效減少老年人跌倒后因延誤發(fā)現(xiàn)和治療而致死的可能性，而且降低了用于老年人護(hù)理的人工費(fèi)用，減輕了子女負(fù)擔(dān)，同時(shí)不會(huì)給老人的日常生活帶來不便，切實(shí)提高了老年人的生活品質(zhì)。本論文研究了基于多

2、模態(tài)特征融合的人體跌倒檢測(cè)算法，主要工作如下:首先，論述了人體跌倒檢測(cè)的研究背景和意義，綜述了人體跌倒檢測(cè)技術(shù)國內(nèi)外研究現(xiàn)狀，從特征提取和分類器兩個(gè)方面對(duì)當(dāng)前研究中存在的問題進(jìn)行分析，介紹了本文的主要研究內(nèi)容和章節(jié)安排。
　　第二，為了驗(yàn)證本文所提出的人體跌倒檢測(cè)算法，利用Kinect攝像機(jī)錄制并發(fā)布了人體跌倒檢測(cè)數(shù)據(jù)集——SDUFall。數(shù)據(jù)集由20人錄制完成，包含六類動(dòng)作，樣本總量達(dá)到1200個(gè)，包含各種場(chǎng)景。針對(duì)每個(gè)樣本數(shù)據(jù)

3、，分別記錄了彩色圖像序列、深度圖像序列和人體骨骼點(diǎn)三維坐標(biāo)文件。
　　第三，研究了基于深度圖像和骨骼點(diǎn)坐標(biāo)信息的人體跌倒檢測(cè)特征提取算法。基于深度圖像信息提取曲率尺度空間特征(Curvature Scale Space，CSS)和人體形態(tài)特征，基于骨骼點(diǎn)三維坐標(biāo)信息提取人體運(yùn)動(dòng)的軌跡特征。分析了三類特征的特性:曲率尺度空間特征對(duì)平移、旋轉(zhuǎn)和尺度具有不變性;人體形態(tài)特征直觀的表達(dá)出人體各個(gè)形態(tài)在運(yùn)動(dòng)過程中的屬性;軌跡特征可以反映人體

4、行為的時(shí)域特性。利用極限學(xué)習(xí)機(jī)(Extreme Learning Machine，ELM)對(duì)單一特征進(jìn)行跌倒檢測(cè)實(shí)驗(yàn)，結(jié)果顯示分類效果不理想。
　　第四，針對(duì)單一特征表達(dá)人體運(yùn)動(dòng)不全面的問題，結(jié)合三類特征的優(yōu)點(diǎn)，提出了基于有監(jiān)督的組稀疏非負(fù)典型相關(guān)分析(Group-sparse Nonnegativesupervised Canonical Correlation Analysis，GNCCA)的多模態(tài)特征選擇與融合算法，應(yīng)用于人

5、體跌倒檢測(cè)。GNCCA成功整合了多模態(tài)高維數(shù)據(jù)，可以最大化類間距離。實(shí)驗(yàn)中首先將基于每幀深度圖像的人體形態(tài)特征與骨骼點(diǎn)軌跡特征進(jìn)行特征層的選擇與融合，再將分類結(jié)果與曲率尺度空間特征進(jìn)行決策層融合，得到最終的識(shí)別結(jié)果。
　　第五，針對(duì)極限學(xué)習(xí)機(jī)隨機(jī)產(chǎn)生輸入權(quán)重、隱元偏置和提前給定隱元個(gè)數(shù)而導(dǎo)致的模型出現(xiàn)非最優(yōu)的問題，提出了基于改進(jìn)變長度粒子群優(yōu)化算法的極限學(xué)習(xí)機(jī)分類模型。利用改進(jìn)的變長度粒子群優(yōu)化算法(Improved Variab