摘 要

老年人在社会中的处于弱势，经常易受到伤害，构建一个相对智能的监护系统可有效缓解这一问题。本文分三部分即人体运动目标检测、特征提取与描述和行为识别，对独居老人异常行为识别进行了分析与研究。

在人体运动目标检测部分，本文分析并比较了提取运动目标的三种方法。在选择使用背景减除法后，对与之匹配使用的混合高斯背景建模进行了深入学习与研究，成功地提取出前景目标。最后借助HOG特征筛选出前景中的人体目标。

在人体行为的特征提取与描述方面，本文研究了几种常见和常用的特征，包括Hu矩、方向梯度直方图（HOG）和运动历史图像（MHI）。在选择使用运动历史图像后，对MHI的提取方法进行了分析和研究。

在人体行为识别方面，本文对包括摔倒、蹲下、行走、坐下和慢跑这五种常见的室内行为进行识别。先对两种常见的行为识别方法进行了研究，在综合考虑本文所选用的特征即MHI后，本文选择使用模板匹配法中的支持向量机(SVM)对人体行为进行识别分类。

关键词：异常行为识别、背景减除法、混合高斯背景建模、运动历史图像、支持向量机

ABSTRACT

Elderly people in the social disadvantaged, often easy to hurt, to build a relatively intelligent monitoring system can effectively alleviate this problem. This paper is made up of three parts that human motion target detection, feature extraction and description and behavior recognition, the analysis and study of elderly people living alone abnormal behavior recognition.

On the part of human motion target detection, this paper analysis and compared three methods of extraction of moving target. After choosing to use background subtraction method, Hybrid Gauss background modeling were in-depth study and research, successfully extracted foreground object. The by hog feature screened the human target in the foreground.

In human behavior feature extraction and description, this paper introduced several characteristics which are used frequently, including Hu moments, histogram of oriented gradient (HOG) and motion history image (MHI). In the choice of using motion history image, the extraction methods of MHI were analysis and research.

In the aspects of human behavior recognition, this paper including the fall, squatting, walking, sit down and jogging the five common indoor behavior recognition. First of two common behavior recognition method were studied in considering the selection of features that MHI, this paper chooses one form of template matching method called support vector machine (SVM) to identify and classify human behavior.

Keywords: abnormal behavior recognition, target detection, GMM,MHI, SVM

目录

摘要 I

ABSTRACT II

第1章 绪论 1

1.1 课题研究背景及意义 1

1.2 异常行为识别的国内外研究现状 2

1.3 主要研究内容及论文结构安排 3

1.3.1 主要研究内容 3

1.3.2 论文结构安排 4

第2章 运动人体目标检测 6

2.1 运动目标检测的方法及比较 6

2.1.1 光流法 6

2.1.2 帧间差分法 7

2.1.3 背景减除法 8

2.2 混合高斯背景建模 8

2.3 前景图像后处理 11

2.4 基于方向梯度直方图（HOG特征）的人体目标筛选 13

2.5 实验结果及分析 14

2.6 本章小结 14

第3章 人体行为特征的提取与描述 16

3.1 人体行为特征 16

3.1.1 Hu矩 16

3.1.2 方向梯度直方图（HOG特征） 17

3.1.3 运动历史图像（MHI） 17

3.2 人体行为的运动历史图像（MHI）获取 18

3.3 本章小结 19

第4章 独居老人异常行为识别 20

4.1 人体行为识别方法 20

4.1.1 模板匹配法 20

4.1.2 状态空间法 20

4.2 基于支持向量机（SVM）的人体异常行为识别 21

4.2.1 SVM原理 21

4.2.2 基于SVM的异常行为识别 23

4.3 实验结果及分析 23

4.4 本章小结 25

第5章 总结与展望 26

5.1 总结 26

5.2 展望 27

参考文献 28

附录 29

附录A 混合高斯背景建模部分代码 29

附录B 提取运动历史图像部分代码 31

致谢 35

第1章 绪论

人口老龄化已经逐渐成为世界性难题，我国更由于长期的独生子女政策导致出现了大量空巢老人。近年来，计算机科学和电子技术的飞速发展推动着基于计算机视觉的人体运动检测和行为识别成为一个富有活力和发展前景的研究领域。但由于针对人体的行为识别需要综合运用模式识别、图像处理、计算机视觉等多个领域的技术，加之异常行为识别涉及较复杂的数学原理，因而人体行为识别成为了相当具有难度和挑战性的课题。

1.1 课题研究背景及意义

随着社会的发展和进步，公共卫生设施与服务日益完善，人均寿命不断延长，最终导致老年人在总人口中的比例不断上升，即人口老龄化现象不断加重。在经济、科技等水平快速发展的推动下，中国早已进入老龄化社会。如图1.1所示，本世纪中叶前我国的人口老龄化形势将日益严峻。2020年前，我国人口老龄化将持续保持在高速状态，老龄人口年平均增长约六百万。到2020年，中国老龄化人口将接近2.5亿，老龄化水平将达到20%，到2040年我国60岁以上人口大约占28%，本世纪中叶时老龄人口更是将破天荒地接近全国人口的三分之一。

图1.1 我国人口老龄化发展趋势