论文部分内容阅读
本论文是“基于多模式智能视觉感知与移动3G网络的空巢老人监护系统”项目的一部分,该项目旨在对室内空巢老人的异常行为进行识别和预警。通过对前景检测、人体跟踪和行为分析算法进行改进和整合,在连接相机的PC客户端上实现对空巢老人实时的稳健跟踪与行为分析,然后把行为分析结果上传到远程服务器端,最后再把信息实时发送到子女或监护人的安卓App客户端。由此最终构建了一套基于计算机视觉的自动化空巢老人监护解决方案,具有广泛的应用前景。本文的主要研究内容如下:1.运动目标检测和多人体跟踪:在室内场景视频的运动目标检测中,比较了稠密光流法(Dense Optical Flow,DOF)、ViBE(Visual Background Extractor)算法和高斯混合模型(Gaussian Mixture Model,GMM)这三种经典方法的前景检测效果,最终决定采用各方面性能均衡的GMM算法。在GMM算法基础上,整合了倒影检测算法来去除倒影,在前景图像预处理中使用了特别的形态学处理方法来聚类人体前景块和去除前景噪声。在前景Blob的人体分类中,针对经典的HOG(Histogram of Oriented Gradient)特征行人检测算法在真实场景下错误率高和速度慢的缺点,本文只对跟踪到的前景Blob区域做行人检测。在基于前景Blob的跟踪算法中,根据帧与帧的Blob的几何特征信息实现了一个简单的Blob Tracking系统。为了克服Blob Tracking无法处理多人遮挡和静止跟踪的问题,本文用KLT(Kanade-Lucas-Tomasi)Tracker来改进了Blob Tracking算法,解决了多人遮挡和静止跟踪的问题,并且得到稳健的跟踪结果。2.运动特征提取和行为分类:针对单目相机由于缺乏景深无法得到人的真实速度和位置信息从而对行为分析造成的困难,本文通过对房间几何信息和家具信息进行标定,然后利用透视投影变换(Perspective Projection Transformation,PPT)来定量得到了人的真实速度特征以及人和家具的相对位置特征,极大地提高了行为分类的正确率。然后介绍了GBM(Gradient Boosting Machine)机器学习算法,采集了室内常发生的走、跑、坐、站和跌倒这5种行为的视频数据,标定得到1185个行为特征向量后用GBM训练分类得到了96.21%的正确率。最后把训练好的GBM模型整合进空巢老人监护系统,实现了对室内空巢老人的危险行为分析和预警。