[發明專利]基于深度學習的老人異常行為檢測方法

在審

• 申請號: 201710403573.2
• 申請日: 2017-06-01
• 公開（公告）號: CN107145878A
• 公開（公告）日: 2017-09-08
• 發明（設計）人: 周紹艷;黃俊;譚欽紅;劉科征;王君龍;施新嵐;張磊;謝振超
• 申請（專利權）人: 重慶郵電大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于深度學習的老人異常行為檢測方法，其特征在于：包括以下步驟：

(1)多種傳感器采集體征信息如心率、血壓、體溫、呼吸、脈搏，經信號預處理后作為BP神經網絡的輸入，訓練出BP神經網絡模型，進行數據融合；

(2)視覺傳感器采集視頻圖像對原始圖像進行預處理后送入3D卷積神經網絡提取特征向量，通過Softmax分類器識別老人的多種行為；

(3)特征提取負責提取原始圖像信息中最能反映人體行為信息內在本質的特征向量；

(4)通過老人體征數據和行為數據，綜合老人當前位置數據與駐留時長，根據模糊邏輯推理判斷老人行為是否異常。

2.根據權利要求1所述的基于深度學習的老人異常行為檢測方法，其特征在于所述數據融合基于BP神經網絡模型，包括以下：

(1)通過多種傳感器采集的老人體征信息如心率、血壓、呼吸、脈搏、體溫作為BP神經網絡的輸入；在數據融合前，先對老人多種體征數據進行粗糙集的簡化，消除大量數據的冗余屬性，使得輸入層的數據變得簡單，降低了數據維度，神經網絡的訓練時間縮短，系統的實時性提高；

(2)BP神經網絡算法采用基于梯度的最速下降法存在學習速率過慢的缺陷，容易陷入局部極小點，因此在老人體征融合時采用學習率自適應法和附加動量法改進BP神經網絡，使得體征融合時加入的動量因子具有自學習特性；改進的BP算法不易陷入局部極小，提高了網絡收斂速度，提高了體征融合的效率。

3.根據權利要求1所述的基于深度學習的老人異常行為檢測方法，其特征在于3D卷積神經網絡的第一層加入Gabor濾波器得到紋理特征，與灰度值、光流特征、梯度特征進行三維卷積和采樣，提取最能反映人體行為的特征向量輸入到Softmax分類器分類訓練，得到用于人體行為識別的分類器模型；Softmax分類器的參數有冗余，對邏輯回歸代價函數加入權重衰減，將代價函數降為最小。

4.根據權利要求1～3所述的基于深度學習的老人異常行為檢測方法，其特征在于獲得的老人生理狀況與老人行為后，綜合老人的位置信息與駐留時長，根據模糊邏輯推理判斷老人行為是否異常。