基于3D结构光传感器的老龄人异常行为检测方法

针对多视角下老龄人异常行为检测问题,利用3D人体数据和多线性子空间分析方法,从时间、视角和空间动作特征对其进行了研究。首先通过三维结构光传感器获取人体扫描点云数据,并进行点云精简和人体表面重建。然后提取人体点云数据的表面曲率特征,并将其映射到二维彩色图像中,构成彩色动作特征图。通过提取特定时长内所有动作的彩色特征图,生成基于曲率的彩色动作能量图模型,并使用2D-PCA对彩色动作能量特征图进行降维。最后运用基于张量分析的多线性子空间分析方法,对多视角下降维后的数据进行视角无关的特征提取,并完成异常行为的分类和识别。实验结果表明,该方法切实可行,可将其应用于助老机器人和老龄人监护等相关领域。

双视角下多特征信息融合的步态识别

针对步态识别研究中单视角识别率低、多视角算法复杂等问题,开展了双视角下的步态识别研究.考察正面视角人体的轮廓特征和侧面视角人体行走的动态特征,利用多视角步态信息互补性强的特点,分别从正面视角和侧面视角获取步态序列,预处理得到单连通人体轮廓图形,然后对正面视角提取Procrustes均值形状,侧面视角计算动作能量图(AEI)并经二维局部保留映射(2D-LPP)降维,最后将2个视角下的识别结果进行融合从而获得最终的识别结果.在中科院自动化所的DatasetB数据库上进行了实验,获得了较高的识别率,达到了预期的识别效果.

基于智能监控的独居老人室内异常行为检测

提出一种基于动作能量图的独居老人室内异常行为识别方法。首先用背景减除法对目标进行前景提取,然后提取人体运动目标的动作能量图,对提取后的动作能量图用傅里叶描述子进行边界描述并提取主傅里叶描述子。提出一种基于最近邻分类器的分层识别算法,同时提出一种动态能量描述子DED,将主傅里叶描述子和结合动态能量描述子DED相结合,用分层识别算法对异常行为进行识别。实验表明,该方法简单实用,对独居老人室内跌倒的正确识别率高达97%。