论文部分内容阅读
随着当今社会老龄化的加快,老年人口比例越来越大,老年人的身体健康及安全问题逐渐成为家庭及社会关注的焦点。老年人跌倒是导致其伤残、失能甚至死亡的主要原因之一,老年人跌倒后不能及时发现并寻求帮助往往会使后果更加严重,鉴于跌倒对老人的伤害之大,一款能够准确检测老人跌倒的设备至关重要。基于计算机视觉的智能监控系统由于其实时性、成本低、可多任务并行等优点成为老人摔倒问题的研究热点。针对现阶段大部分跌倒研究都是基于PC端的已录制视频,本文提出了一种结合树莓派和OpenCV的实时视频监控系统,提出了基于人体比例特征的改进跌倒检测与基于HOG和SVM的跌倒检测两种算法,并在该系统上进行了验证。全文的主要内容包括:(1)为了对实时的跌倒进行研究,搭建了以树莓派和OpenCV开源视觉库相结合的监控系统平台,介绍了树莓派及OpenCV的优缺点,进行了软件配置等相关操作,并对常用图像处理方法进行了实验介绍。(2)提出了一种改进的基于人体比例特征的跌倒检测算法,算法利用运动目标检测的原理,采用三种人体形状特征对跌倒进行检测,人体宽高比有效排除一般的日常活动,有效面积比对诸如伸展手臂的动作进行排除,中心变化有效排除下蹲等动作。最后利用系统平台对算法进行实验,验证算法的可行性。实验证明利用三种特征相结合的跌倒算法能够有效降低误判率,提高跌倒检测准确率。(3)提出了一种采用HOG特征与SVM相结合的跌倒检测算法,算法基于机器学习。首先对HOG特征的提取进行了介绍,采用滑动窗口法对图像进行检测。算法采用两级SVM分类器相结合,第一级SVM分类器排除大部分的日常动作,第二级SVM对跌倒进行检测,最后在树莓派平台上通过实验对算法进行验证。通过跌倒实验表明,基于人体比例特征的跌倒算法对光照较为敏感,光线的强度会影响算法的准确率,基于HOG特征与SVM的算法对样本及系统的要求较高。但是综合来说,两种算法的准确率与误判率都能保持在理想的水平,能够达到实时检测跌倒的要求。