论文总字数：22853字

摘 要

随着人口老龄化的加剧，跌倒行为检测，在现实生活中越来越重要。本论文对基于局部时空特征的跌倒行为识别进行研究，包括时空兴趣点检测、时空特征的描述、动作分类等关键步骤。首先，分别使用Dollar、3DHarris算法提取出行为视频中的时空兴趣点，在每个兴趣点中，提取包含时空窗口像素值的立方体，然后分别使用基于梯度方向的描述算法和基于光流场的描述算法对时空立方体进行描述，通过PCA降维得到最终的局部时空特征向量。之后，利用词袋模型的思想，对所有视频序列的局部特征进行聚类处理，得到每个视频序列局部特征视觉单词的直方图。最后，使用KNN作为分类器，实现对跌倒行为的判定。利用公开的视频数据库Multiple Cameras Fall Dataset进行实验,实验结果表明本文提出的方法对跌倒行为的识别准确率达到了80%以上。选择适当兴趣点提取算法中的时空尺度与阈值，可以减少时空立方体的数量，降低跌倒行为识别时间，提高跌倒行为识别的准确率。

关键词：跌倒行为检测 时空特征 Dollar时空兴趣点

Research on the Detection of Falling Behavior Based on Spatiotemporal Characteristics

Abstract

As the ageing of the population intensifies, the detection of falling behavior is increasingly important in real life. This dissertation studies the recognition of fall behavior based on local spatial-temporal features, including key steps such as detection of spatio-temporal interest points, description of space-time features, and action classification. Firstly, the temporal and spatial points of interest in the behavior video are extracted using Dollar and 3D Harris respectively. In each point of interest, the cube containing the pixel value of the space-time window is extracted, and then the gradient-based description algorithm and the description based on the optical flow field are respectively used. The algorithm describes the space-time cube, and the final local space-time feature vector is obtained through PCA dimensionality reduction. Then, using the idea of ​​the bag of words model, the local features of all video sequences are clustered to obtain the histograms of the local feature visual words for each video sequence. Finally, KNN is used as a classifier to determine the fall behavior. Experiments were conducted using the publicly available video database Multiple Cameras Fall Dataset. The experimental results show that the accuracy of the proposed method for the detection of falls has reached more than 80%. Selecting the space-time scale and threshold in the appropriate interest point extraction algorithm can reduce the number of space-time cubes, reduce the time of falling behavior recognition, and improve the accuracy of the fall-behavior identification.

Key Words: Falling behavior detection; Temporal and spatial features; Dollar Space-time interests points

目 录

摘 要 I

Abstract II

第一章 绪论 1

1.1 研究背景及意义 1

1.2 跌倒行为国内外研究现状 1

1.2.1 基于传感器的跌倒行为检测方法 1

1.2.2 基于视频监控的跌倒行为检测方法 2

1.3 跌倒视频数据库 4

1.4 本论文研究的主要内容 4

1.5 本文的结构 5

第二章 时空兴趣点检测 7

2.1 全局特征与局部特征 7

2.1.1 全局特征 7

2.1.2 局部特征 7

2.2 时空兴趣点检测 7

2.2.1 3D-Harris 时空兴趣点检测 8

2.2.2 Dollar 时空兴趣点检测 9

2.3 时空立方体 10

2.4 时空特征检测算法的选择 11

2.4.1 行走(walk)行为序列 11

2.4.2 跌倒(fall) 行为序列 12

2.4.3 下蹲(squat) 行为序列 12

第三章 局部时空特征的描述算法 14

3.1 基于灰度直方图的描述算法 14

3.2 基于梯度方向的描述算法 14

3.3 基于光流场的描述算法 15

3.4 特征向量的降维处理 15

3.5 几种描述算法在实验中的比较 15

第四章 行为识别建模与实验 17

4.1 BOVW视觉词袋模型 17

4.2 聚类算法 17

4.2.1 K-means聚类算法 17

4.2.2 Meanshift聚类算法 17

4.3 K-邻近算法（KNN） 18

4.4 实验结果与分析 18

4.4.1 滤波 19

4.4.2 时空尺度对特征提取的影响 20

4.4.3 时空响应强度阈值对行为识别的影响 22

4.4.4 不同聚类算法对实验的影响 24

4.4.5 改进的k-means聚类算法的参数设定实验 25

第五章 总结与展望 29

5.1 总结 29

5.2 展望 30

参考文献 31

致谢 32

第一章 绪论

1.1 研究背景及意义

请支付后下载全文，论文总字数：22853字