[發明專利]面向居家場景的老人異常行為檢測方法

有效

• 申請號: 202011101279.4
• 申請日: 2020-10-15
• 公開（公告）號: CN112232190B
• 公開（公告）日: 2023-04-18
• 發明（設計）人: 張暉;夏望舒;趙海濤;孫雁飛;朱洪波
• 申請（專利權）人: 南京郵電大學
• 主分類號: G06V40/20
• 分類號: G06V40/20;G06V20/40;G06V20/52;G06V10/80;G06V10/82;G06V10/764;G06V10/766;G06N3/0464;G06N3/047;G06N3/048;G06N3/084
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 曹坤

本發明公開了一種面向居家場景的老人異常行為檢測方法。屬于計算機視覺技術領域；具體步驟：1、在各房間中安置若干個攝像頭；2、獲取居所內老人的各種生活視頻；3、訓練單人行為識別CNN神經網絡，根據老人在進行異常行為時的人物特征變化，提取其進行異常行為時的特征值；4、將獲取的不同角度的各種生活視頻進行網絡訓練；5、將該特征值進行特征融合并進行判斷，給老人家屬進行通知。本發明的優勢在于擁有更全面的觀測視野，可以全方位檢測老人的行為，將老人異常行為的多種特征同時觀測并結合起來。在老人異常行為判斷方面，減少了錯判率和誤判率，同時幾乎杜絕了漏判的情況，提高了監控的實用性。

技術領域

本發明涉及計算機視覺技術領域，具體涉及一種面向居家場景的老人異常行為檢測方法。

背景技術

自上世紀90年代開始，大量的學者投入到行為分析的研究中，傳統行為分析技術得到了明顯的發展，并取得了很多成果，行為分析技術也在越來越多的領域發揮著重要的作用；運動目標檢測是行為分析的基礎，只有先在視頻數據或者圖像數據中檢測到運動目標才能進一步的進行行為分析。運動目標檢測就是要從圖像數據中先檢測到人體信息，將人體前景從圖像中分割出來從而得到人體運動信息。在運動目標檢測分割出人體區域之后，需要提取人體動作特征；人體動作特征提取需要從原始圖像中更深入的抽取底層信息并將這些底層信息抽象出來，實現對人體動作的表征；完成動作特征的提取后，需要進行動作特征理解，通常將提取的動作特征與預先建立好的模型進行對比從而實現動作分類。

老人跌倒等多種異常行為的自動識別一直是國內外的研究重點問題，各種各樣的跌倒行為識別方法層出不窮；2012年BingbingNi等基于RGBD深度攝像頭彩色和深度特征的跌倒行為識別方法；Vaidehi等設計一種基于靜態人體圖像特征的跌倒檢測系統，通過提取人體的長寬比和傾斜角度兩個特征進行跌倒識別的研究；Rougier等用橢圓近似表示人體，將橢圓的方向標準差和長短軸比例的標準差作為特征，通過分析運動特征來檢測人休形狀的變換進行跌倒識別方法；薛冰霞等提出了基于多模特征融合的跌倒識別方法；楊帆等提出了基于頭部運動軌跡和3D視覺的跌倒識別方法；上述方法多基于傳統的計算視覺，需要人為設計跌倒行為的特征，通過特征對比來判斷跌倒行為是否發生。

由于基于深度學習技術搭建的神經模型學習能力極強，泛化能力卓越，深度學習已逐漸成為人體行為分析的主要技術，也越來越多的應用于各種各樣的場景，例如網絡直播場景、社會治理場景、工業化4.0及智能家居場景等；其中，面向智能家居場景的人體行為分析系統更加貼近人們的生活，而成為了業界人員的研究熱點；然而目前市場上流行的產品大都應用于服務器端，雖然準確率有所提升，但時延嚴重，并且大都割裂了同一圖像中多人行為之間的聯系，無法進行有效的組合分析。

發明內容

針對上述問題，本發明提供了一種面向居家場景的老人異常行為檢測方法，以提高現有技術中對居家場景異常行為檢測準確度。

本發明的技術方案是：面向居家場景的老人異常行為檢測方法，具體步驟包括如下：

步驟(1.1)、在居所的各房間中的不同方位安置若干個攝像頭；

步驟(1.2)、從安置的若干個攝像頭中獲取居所內老人的各種生活視頻；

步驟(1.3)、訓練單人行為識別CNN神經網絡，通過該網絡對輸入的老人的各種生活視頻進行識別并提取特征；再根據老人在進行異常行為時的人物特征變化，提取其進行異常行為時的特征值；

步驟(1.4)、將從不同攝像頭獲取的不同角度的各種生活視頻進行網絡訓練，以此神經網絡從不同的角度獲得不同的行為特征值；

步驟(1.5)、將該特征值進行特征融合，對老人的行為進行判斷，再根據該判斷結果，通過發送信息給老人家屬的方式對老人的異常行為進行通知；

在步驟(1.1)中，在所述各房間中安置的攝像頭的個數≥3個；