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: 2021111137084
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
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.基于隐私保护类GAN特征增强的居家视频跌倒检测方法,其特征在于:所述居家视频跌倒检测方法包括如下步骤:

步骤1:输入原始视频的训练数据集:基于公共的跌倒检测数据集,根据数据集中行为的特点,将训练数据分成正负集合,人工打上相应的类别标签;

步骤2:多层压缩感知处理:基于混沌伪随机伯努利测量矩阵对原始视频进行多层压缩感知处理,产生视觉层面具有视觉隐私保护效果的视频;

步骤3:前景动目标的提取:利用基于广义非凸鲁棒主成分分析的低秩稀疏分解算法进行前景动目标的提取,得到具有视觉隐私保护效果的视频的前景动目标;

步骤4:获得跌倒分类结果:运用基于带有辅助分类器的GAN网络对步骤3中获取到的具有视觉隐私保护效果的视频中的前景动目标进行时空迁移补偿,使得具有视觉隐私保护效果的视频中丢失的特征得到补偿,在此基础上得到最终的跌倒分类结果。

2.根据权利要求1所述基于隐私保护类GAN特征增强的居家视频跌倒检测方法,其特征在于:步骤3中的所述低秩稀疏分解算法表示为:式中g(·)是非凸的、闭的、正常的下半连续函数,σi(L)为低秩矩阵L的第i个奇异值,Sjm×n m×n

为稀疏矩阵S的第j个元素,τ,γ>0均为参数,M∈R 为待处理的数据矩阵,L∈R 为低秩m×n

矩阵,S∈R 为稀疏矩阵;

其分解过程包括如下步骤:

步骤3‑1:把步骤2中经过多层压缩感知处理过程中产生的噪声作为稀疏矩阵,把步骤1和步骤2中的前景和背景作为低秩矩阵,去除噪声;

步骤3‑2:把步骤1数据集和步骤2视频的背景信息作为低秩矩阵,把步骤1数据集和步骤2视频的前景信息看做稀疏矩阵,再次使用基于广义非凸鲁棒主成分分析的低秩稀疏分解算法提取出前景动目标。

3.根据权利要求1所述基于隐私保护类GAN特征增强的居家视频跌倒检测方法,其特征在于:步骤4中的所述带有辅助分类器的GAN网络包括生成器G网络和鉴别器D,所述生成器G网络和鉴别器D均使用卷积神经网。

4.根据权利要求3所述基于隐私保护类GAN特征增强的居家视频跌倒检测方法,其特征在于:步骤4中的所述带有辅助分类器的GAN网络的处理过程包括如下步骤:步骤4‑1:训练过程,在鉴别器D网络端输入步骤1中原始视频的前景动目标特征、相应的类别信息以及步骤4中补偿后的前景动目标特征,在生成器G网络端输入与原始视频对应的多层压缩感知处理后的具有视觉隐私保护效果的视频的前景动目标特征,并且,原始视频与具有视觉隐私保护效果的视频之间形成类别信息一一对应关系;

步骤4‑2:测试过程,只输入步骤2中多层压缩感知处理后的具有视觉隐私保护效果的视频的特征,在鉴别器D中输出具有视觉隐私保护效果的视频的特征的相应的类别信息,然后增加输出的分类与真实分类之间的损失计算,最终得到跌倒检测的准确率。

5.根据权利要求4所述基于隐私保护类GAN特征增强的居家视频跌倒检测方法,其特征在于:所述步骤4‑2中的损失计算表达为:LS=E[log P(S=real|Xreal)]+E[log P(S=fake|Xfake_cs)]LC=E[log P(C=cs|Xreal)]+E[log P(C=cs|Xfake_cs)]其中LS表示真实样本对应的损失函数,LC表示样本对应正确类别的损失函数,Xreal表示原始视频数据,S表示原始数据的类别标签,C表示经过多层压缩感知处理以后的数据的类别标签,Xfake_cs表示生成器G补偿以后的数据,P(S|X),P(C|X)分别表示原始数据的概率分布和类标签上的概率分布。

6.根据权利要求1所述基于隐私保护类GAN特征增强的居家视频跌倒检测方法,其特征在于:所述步骤2的多层压缩感知处理具体包括如下步骤:步骤2‑1:使用梅森旋转算法生成伪随机数,表示为:其中, 表示αk+1的最下面或者最右边的r位, 表示αk最上面或者最左边的w‑r位(k=0,1,2,...), 表示按位异或运算;|表示连接运算。

步骤2‑2:生成混沌伪随机序列:通过梅森旋转算法获取得到伪随机数以后,将其作为原始信号,将产生的随机数代入混沌模型中,生成混沌伪随机序列,对应的混沌模型为:其中j表示迭代的次数;

步骤2‑3:构造混沌伪随机伯努利测量矩阵:对步骤2‑2中得到的混沌伪随机序列进行非线性变换,而后在此基础上继续进行符号函数映射,使得映射以后的序列满足伯努利分布,进而构造出混沌伪随机伯努利测量矩阵 且 表示为:其中, 为归一化系数,矩阵元素按照列排列混沌伪随机序列{β0,β1,β2...,βn};

步骤2‑4:多层压缩感知采样:对步骤2‑3构造出的伪随机伯努利测量矩阵 进行分块,此时就将测量过程就转化为对相同位置块进行内积运算,经过多次分块和内积运算,实现多层压缩感知编码,进而实现对视频监控中的隐私保护。

7.根据权利要求6所述基于隐私保护类GAN特征增强的居家视频跌倒检测方法,其特征在于:步骤2‑3中的符号函数映射中的映射函数表示为:

8.根据权利要求6所述基于隐私保护类GAN特征增强的居家视频跌倒检测方法,其特征在于:步骤2‑4中所述多层压缩感知编码的计算过程为:其中:Y表示经过多层压缩感知处理后的视频数据,X表示原始视频数据,n表示多层压缩感知编码处理的层数。