欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2019108232211
申请人: 南京邮电大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种具有视觉隐私保护优势的室内跌倒行为检测方法,其特征在于,包括以下步骤:

S1,采集跌倒视频数据,从采集的视频数据中选取有效的视频片段作为训练数据和测试数据;根据视频片段中是否发生跌倒行为将训练数据分为正负样本集合,并分别在正负样本集合上标记相应的类别标签;

S2,利用压缩感知技术,分别对训练数据和测试数据依次进行多层压缩观测处理,得到视频帧图像产生视觉屏蔽效果的压缩态视频数据;

S3,利用低秩稀疏分解理论对画质大幅降低的压缩态视频数据进行目标检测,提取压缩态视频帧中前景目标区域;

S4,利用密集轨迹算法表征前景目标的运动轨迹时空特征;

S5,通过特征编码和主成分分析方法对提取到的轨迹时空特征进行融合,获得更具有判别力的特征描述;

S6,利用基于类字典学习的IDL分类器来构建跌倒检测模型,利用构建好的跌倒检测模型识别监控视频中存在的跌倒行为。

2.根据权利要求1所述的一种具有视觉隐私保护优势的室内跌倒行为检测方法,其特征在于,步骤S1具体为:对采集的原始视频数据进行分割处理,将每段视频分割为有限视频帧组成的短视频片段,使得每个短视频片段只包含一类行为;再根据视频片段中是否发生跌倒行为,将含有跌倒行为的视频集合定义为正样本集合,将只包含日常正常行为的非跌倒行为的视频集合定义为负样本集合。

3.根据权利要求1所述的一种具有视觉隐私保护优势的室内跌倒行为检测方法,其特征在于,步骤S2中,所述多层压缩观测处理方法为:将相邻的4个像素点压缩为1个像素点,并将单层压缩感知扩展为多层压缩感知;具体方法为:将含有M×N个像素值的第j帧视频图像Xj分成c个包含2×2像素值的图像块xji,即Xj=[xj1,…,xji,…,xjc],同时将含有M×N个元素的观测矩阵ω分成c个2×2大小的块ωi,即ω=[ω1,…,ωi,…,ωc],然后将相同位置的矩阵块与图像块进行内积运算,即分别对每个图像块进行观测:yji=ωixji,i=1,2,3,...,c     (1)

其中,xji是第j帧视频帧图像的第i个图像块的矢量形式,大小为4×1;ωi是观测矩阵ω中对应的第i个矩阵块的矢量形式,大小为1×4;经过内积运算处理后,M×N尺寸的原视频帧图像Xj缩小为M/2×N/2尺寸的压缩态视频帧Yj,压缩率为4;

所述多层压缩感知的定义为:

其中,ω(n)为第n层的观测矩阵,大小为M/2n×N/2n,视频帧Xj经过n层压缩感知采样,尺寸压缩率为4n,包含t帧视频帧的原视频序列X被压缩为n层压缩态时序图像集合Y(n),Y(n)=[Y1(n),…,Yj(n),…,Yt(n)],经过多层压缩感知采样后的图像画质已达到人眼辨识能力的下限。

4.根据权利要求1所述的一种具有视觉隐私保护优势的室内跌倒行为检测方法,其特征在于,步骤S3中,所述低秩稀疏分解理论是一种运动目标检测方式,其核心思想是将视频矩阵分解为一个低秩矩阵和稀疏矩阵,所述低秩稀疏分解理论的数学模型为:其中,X对应视频序列集合,每一列对应一个视频帧图像,A对应分解后的低秩背景部分,E对应稀疏的前景区域,λ是用来控制低秩矩阵与稀疏矩阵比例的参数;该数学模型是一个高度非凸优化问题,需通过松弛方法修正该模型,将l0范数松弛到l1范数,用核范数‖A‖*逼近矩阵的秩,进而得到一个凸优化问题的求解模型:与原始视频数据相比,具有视觉屏蔽效果的压缩态数据除了背景信息和前景目标信息,还存在着压缩过程引入的大量噪声和异常值,因此最终的优化模型为:Y(n)=A(n)+E(n)+S(n)     (5)

其中,Y(n)是n层压缩态视频帧序列集合,每一列对应一帧n层压缩态视频帧,A(n)是压缩(n) (n)态数据的背景部分,S 是前景部分,E 是噪声部分。

5.根据权利要求1所述的一种具有视觉隐私保护优势的室内跌倒行为检测方法,其特征在于,步骤S4中,所述密集轨迹算法是利用光流场来获得视频序列中的运动轨迹,再沿着运动轨迹提取特征;所述特征包括:方向梯度直方图HOG、光流直方图HOF和运动边界直方图MBH;其中方向梯度直方图HOG是基于灰度图计算得到的,光流直方图HOF和运动边界直方图MBH是基于密集轨迹光流计算得到的。

6.根据权利要求1或5所述的一种具有视觉隐私保护优势的室内跌倒行为检测方法,其特征在于,步骤S4中,针对不同的压缩层调整密集轨迹算法参数以获得最佳识别效果,参数设置为:压缩层1:采样间隔W=3,时空卷大小N=32,轨迹长度L=15,时空块大小为2×2×

3;压缩层2:采样间隔W=2,时空卷大小N=16,轨迹长度L=15,时空块大小为2×2×3;压缩层3:采样间隔W=2,时空卷大小N=16,轨迹长度L=20,时空块大小为2×2×3。

7.根据权利要求1所述的一种具有视觉隐私保护优势的室内跌倒行为检测方法,其特征在于,步骤S5中,采用Fisher Vector算法对步骤S4提取到的局部时空特征进行特征融合编码;采用主成分分析算法对融合后的编码进行降维处理。

8.根据权利要求1所述的一种具有视觉隐私保护优势的室内跌倒行为检测方法,其特征在于,步骤S6中,所述基于类字典学习的分类器IDL构建的跌倒检测模型如下:α*1=arg minα||α||1 s.t.DAα=y^      (7)

其中,A1和A2分别对应跌倒行为训练数据和非跌倒行为训练数据的特征编码集合,E是特征编码矩阵A在字典D下的稀疏表示矩阵,S是向量稀疏系数的个数限制;通过训练数据特征分别学习得到对应的跌倒行为特征字典DA1与非跌倒行为特征字典DA2,字典中的原子将更具有判别性,综合两者的字典DA类间差异也更加明显;跌倒行为的检测问题从而转化为压缩态测试视频的特征编码y^在字典DA上的稀疏表示求解问题(7),最后根据式(8)来确定测试数据的识别结果。