CN106503672A - 一种老年人异常行为的识别方法 - Google Patents
一种老年人异常行为的识别方法 Download PDFInfo
- Publication number
- CN106503672A CN106503672A CN201610957361.4A CN201610957361A CN106503672A CN 106503672 A CN106503672 A CN 106503672A CN 201610957361 A CN201610957361 A CN 201610957361A CN 106503672 A CN106503672 A CN 106503672A
- Authority
- CN
- China
- Prior art keywords
- video
- video sample
- elderly
- isa
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 76
- 206010000117 Abnormal behaviour Diseases 0.000 title claims abstract description 51
- 230000006399 behavior Effects 0.000 claims abstract description 66
- 238000012549 training Methods 0.000 claims abstract description 52
- 239000013598 vector Substances 0.000 claims abstract description 36
- 230000000007 visual effect Effects 0.000 claims abstract description 16
- 239000011159 matrix material Substances 0.000 claims description 61
- 238000012545 processing Methods 0.000 claims description 19
- 230000006870 function Effects 0.000 claims description 18
- 230000002087 whitening effect Effects 0.000 claims description 18
- 238000005457 optimization Methods 0.000 claims description 17
- 230000009466 transformation Effects 0.000 claims description 16
- 230000004044 response Effects 0.000 claims description 15
- 238000005070 sampling Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000012804 iterative process Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000000513 principal component analysis Methods 0.000 claims description 3
- 238000011017 operating method Methods 0.000 claims description 2
- 230000007423 decrease Effects 0.000 claims 1
- 238000007781 pre-processing Methods 0.000 claims 1
- 230000000452 restraining effect Effects 0.000 claims 1
- 238000000605 extraction Methods 0.000 abstract description 5
- 230000011218 segmentation Effects 0.000 abstract description 4
- 230000007547 defect Effects 0.000 abstract description 3
- 230000010365 information processing Effects 0.000 abstract description 2
- 239000000284 extract Substances 0.000 description 7
- 238000006243 chemical reaction Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 208000000058 Anaplasia Diseases 0.000 description 2
- 206010044565 Tremor Diseases 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011478 gradient descent method Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 235000007926 Craterellus fallax Nutrition 0.000 description 1
- 240000007175 Datura inoxia Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/49—Segmenting video sequences, i.e. computational techniques such as parsing or cutting the sequence, low-level clustering or determining units such as shots or scenes
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明一种老年人异常行为的识别方法,涉及图像特征抽取的图像信息处理,是基于改进的训练好的栈式卷积ISA模型的老年人异常行为的识别方法,步骤是:建立老年人行为模式的视频样本数据库并对视频样本进行分块;视频样本数据的预处理;利用改进的训练好的栈式卷积ISA模型从视频样本数据中提取时空特征;对时空特征进行聚类得到视觉单词表和得到视频视觉单词频率直方图;训练χ2核支持向量机SVM分类器模型;对老年人异常行为的识别。该方法无需进行人体分割和背景建模,通过建立老年人行为数据库,利用无监督学习方法直接从视频数据中提取时空特征,实现对老年人异常行为的识别,克服了现有技术存在的各种缺陷。
Description
技术领域
本发明的技术方案涉及图像特征抽取的图像信息处理,具体地说是一种老年人异常行为的识别方法。
背景技术
在计算机视觉技术领域中,老年人异常行为的识别是通过计算机系统对独居老人的实时监护和智能服务,对老年人异常行为的识别的目的旨在当独自生活的老人因跌倒或突发疾病而处于异常行为状态时,计算机系统能及时发现并报警,让老人及时得到救助。目前,老年人异常行为的识别方法的研究是一个研究热点,具有很大的发展空间。在现有技术中:CN104850841A公开了一种结合RFID与视频识别的老人异常行为监测方法,通过给老人佩戴RFID标签识别老人的身份信息,通过背景建模得到人体行为前景图像序列,采用梯度直方图特征提取人体行为特征,利用模板匹配法识别老人的异常行为。CN103425971A公开了一种家庭环境下独居老人异常行为的监测方法,也是通过背景建模得到前景人体,识别目标团块并跟踪,对目标团块中心进行Kalman滤波,得到其预测值,当预测值大于设定阈值时,判定为行为异常。以上两种方法都是以背景建模为基础,背景建模受遮挡光照等因素影响较大,特征提取的准确度往往取决于背景建模的效果。CN102799873A公开了一种人体异常行为识别方法,无需进行人体分割和背景建模,通过聚类人体运动剧烈区域的时空特征,实现对运动的建模,进而实现人体异常行为的识别,其通过获得的异常行为模板对行为进行分类,但是这种方法提取的特征是人为设计的特征,并不一定适用于所有的行为数据库,有很大的局限性。Quoc V.Le在其发表的论文”Learning hierarchical invariantspatio-temporal features for action recognition with independent subspaceanalysis”中提出了所谓独立子空间分析(independent subspace analysis,简称ISA)的特征提取方法,其通过无监督学习方法直接从视频数据中提取时空特征,完成对行为的识别,该方法在几个主流人体行为数据库都取得了很好的效果,但是其在权值优化计算过程中,受正交约束的条件计算量较大,迭代收敛速度慢。
发明内容
本发明所要解决的技术问题是:提供一种老年人异常行为的识别方法,是基于改进的训练好的栈式卷积ISA模型的老年人异常行为的识别方法,该方法无需进行人体分割和背景建模,通过建立老年人行为数据库,利用无监督学习方法直接从视频数据中提取时空特征,实现对老年人异常行为的识别,克服了上述现有技术存在的各种缺陷。
本发明解决该技术问题所采用的技术方案是:一种老年人异常行为的识别方法,是基于改进的训练好的栈式卷积ISA模型的老年人异常行为的识别方法,具体步骤如下:
第一步,建立老年人行为模式的视频样本数据库并对视频样本进行分块:
采样具有老年人行为模式的视频样本,至少要包含5种老年人行为,其中有2~3种老年人异常行为,每种老年人行为至少采样100个视频样本,由这些采样的视频样本建立老年人行为模式的视频样本数据库,并对该数据库中的视频样本进行分块,具体方法是,将数据库中的每个视频样本随机地分割为300个视频块,每个视频块随机地选取连续10视频帧,再将每一视频帧随机地分割出连续相邻16×16的图像块,则每个视频块的大小为16×16×10,总共采样得到N×300个视频块,其中N为上述老年人行为模式的视频样本数据库中的视频样本的个数,将所有视频块组成一个视频样本数据X1:
X1={x1,x2,...,xN×300}
其中,每一列向量xi表示一个视频块数据,每个视频块数据的维度为16×16×10;
第二步,视频样本数据的预处理:
将上述第一步采样的具有老年人行为模式的视频样本数据进行归一化和PCA白化,除去视频样本数据中的相关性和噪声,由此完成视频样本数据的预处理;
第三步,利用改进的训练好的栈式卷积ISA模型从视频样本数据中提取时空特征:
利用改进的训练好的栈式卷积ISA模型从上述第二步完成预处理的视频样本数据中提取时空特征,该栈式卷积ISA模型是由两层ISA网络堆叠的双层网络结构模型,其在第一层ISA网络isa1训练完成后,从视频样本数据中提取得到第一层ISA网络isa1的时空特征,再与更大视频块的视频样本数据进行卷积计算,得到的结果作为第二层ISA网络isa2的输入,然后完成第二层ISA网络isa2训练,从而从视频样本数据中提取得到第二层ISA网络isa2的时空特征,最后将第一层ISA网络isa1从视频样本数据中提取到的时空特征和第二层ISA网络isa2从视频样本数据中提取到的时空特征结合起来作为整个从视频样本数据中提取到的时空特征;
第四步,对时空特征进行聚类得到视觉单词表和得到视频视觉单词频率直方图:
利用K均值聚类方法对上述第三步提取到的时空特征进行聚类,得到k个聚类中心,一个聚类中心代表词袋模型的一个视觉单词wi={f1,f2,...,fm},其中fi为视觉单词中的第i个时空特征分量,m为时空特征维数,则k个聚类中心可视为一个视觉单词表V={w1,w2,...,wk},进一步对每个视频样本进行矢量化表示,统计时空特征基于视觉单词出现的频率,得到统计直方图,即视频视觉单词频率直方图:H={h1,h2,...,hk},其中hi表示视频中第i个视觉单词出现的频率;
第五步,训练χ2核支持向量机SVM分类器模型:
χ2核函数是采用卡方距离构建的一种广义高斯核函数:
其中,Hi=(hin)和Hj=(hjn)是视频视觉单词频率直方图,也即训练集中两个视频样本的矢量化特征,k是视觉单词的个数,A是所有训练集中视频样本之间距离的平均值;对于多类分类,采用逐一鉴别法,选择得分最高的类,将上述第一步中采集的一个类型的老年人行为模式的视频样本和剩余的其他所有类型的老年人行为模式的视频样本之间构建一个支持向量机SVM分类器,将该类老年人行为模式的视频样本的标签看作为+1,其他所有类型的老年人行为模式的视频样本的标签看作为-1,由此构成标签集,用上述第四步得到的视频视觉单词频率直方图和由此构成的标签集来训练χ2核支持向量机SVM分类器,得到训练好的χ2核支持向量机SVM分类器模型,χ2核支持向量机SVM分类器是基于χ2核函数的多类别分类器;
第六步,对老年人异常行为的识别:
按照上述五个步骤的顺序,对需要待识别的老年人行为进行识别:1)对待识别的老年人行为的视频样本进行分块;2)对分块后得到的视频样本数据进行归一化和PCA白化的预处理;3)利用改进的训练好的栈式卷积ISA模型从视频样本数据中提取时空特征;4)利用K均值聚类方法对时空特征进行聚类得到视觉单词表和得到视频视觉单词频率直方图;5)用训练好的χ2核支持向量机SVM分类器模型对待识别的老年人行为的视频样本类别进行预测,并判断确定该待识别的老年人的行为是否为异常行为,由此完成对老年人异常行为的识别。
上述一种老年人异常行为的识别方法,所述具有老年人行为模式的视频样本数据进行归一化的操作方法是,逐视频样本数据均值消减,也称为移除直流分量,逐视频样本数据进行计算,即分别计算各视频样本数据的均值,然后各视频样本数据减去其对应的均值,则视频样本数据X1归一化后为X1′。
上述一种老年人异常行为的识别方法,所述将具有老年人行为模式的视频样本数据进行PCA白化即主成分分析白化的操作步骤如下:
(1)计算训练视频样本的协方差矩阵:其中m为视频样本中的视频块个数,xi′为X1′中的分量,(xi′)Τ为(xi′)的转置矩阵;
(2)对协方差矩阵Σ进行奇异值分解:∑=U×V×D,其中,分解得到的U和D都是正交矩阵,V是对角化的矩阵,其元素非负且按降序排列,即为协方差矩阵的特征值按降序排列,由此正交矩阵U为协方差矩阵Σ的特征向量,保留U中的前k个成分,也即前k个特征值对应的特征向量,k<m,其余赋值为0,得到 为U降维后的矩阵由此完成对协方差矩阵Σ的奇异值分解;
(3)对归一化后的视频样本数据X1′进行降维得到 为的转置矩阵;
(4)对进行PCA白化处理,使协方差矩阵Σ为单位矩阵,使每一维的方差都为1,得到PCA白化处理后的视频样本数据Z:其中zi为Z的行向量,zi={z1,z2,...,znf},nf表示每个视频样本数据的大小,λi表示协方差矩阵Σ的特征值,当一些特征值λi在数值上接近于0时,将导致在缩放步骤时除以一个接近0的值,这可能使数据上溢或造成数值不稳定,为此加上一个取值为ε≈10-5的常数,由此完成视频样本数据的PCA白化。
上述一种老年人异常行为的识别方法,所述第一层ISA网络isa1训练的具体步骤如下:
将上述PCA白化处理后的视频样本数据Z输入第一层ISA网络isa1,对第一层ISA网络isa1进行训练直至收敛,得到第一层ISA网络isa1的权值W1,再将该权值W1代入第一层ISA网络isa1得到特征响应,第一层ISA网络isa1的权值W1具体求解过程如下:
单个ISA网络也是一个两层单元的网络结构,即包括第一层单元的网络结构和第二层单元的网络结构,第一层单元的网络结构将输入数据进行线性变换,得到线性特征响应,输入数据在第一层单元的网络结构线性变换的权值为W1,第二层单元的网络结构是对第一层单元的网络结构得到的特征进行非线性变换,用固定权重V1来表示第二层单元的网络结构与第一层单元的网络结构之间的连接权值,具体操作过程如下:
对每个输入的PCA白化处理后的视频样本数据Z,单个ISA网络的第一层单元的网络结构首先进行线性变换,得到线性特征响应S1:
S1=W1Z
其中,W1为输入的PCA白化处理后的视频样本数据Z到第一层单元的网络结构的线性变换的权值;
上式也可写为:
其中,sj是S1中的分量;wkj是W1中的分量,W1∈Rk×n,n是输入维数,k是第一层单元的网络结构中的分量个数;是Z中的分量,t取值为1→T,T为每个视频块的图片帧数;
单个ISA网络的第二层单元的网络结构对第一层单元的网络结构的特征进行非线性变换如下式:
其中,pi表示第二层单元的网络结构得到的特征响应P1的分量,V1∈Rm×k是第二层单元的网络结构与第一层单元的网络结构之间的连接权值,m是第二层单元中的分量个数,vil是V1的分量,vil表示第二层单元中第i个分量连接到第一层单元中第l个分量的权值,当第l个分量在sj中时,其值为1,否则为0;当ISA网络结构确定时,权值V1就是固定的;
计算第一层单元的网络结构线性变换的权值W1,以得到单个ISA网络最终的特征输出,其满足如下约束条件:
其中正交约束W1(W1)Τ=I保证了特征之间不相关,将正交优化问题重构为无约束优化问题:
当输入数据是白化数据时,重构代价函数相当于正交代价函数其中λ趋于无穷大时,满足硬正交约束,将正交约束的优化问题转化为无约束的优化问题后,利用一种拟牛顿法即L-BFGS无约束优化方法解决最小值问题如下:
权值W1的迭代公式为:(W1)k+1=(W1)k+αkPk,其中αk为步长,PK为对应的下降方向,k是迭代次数;
PK的迭代公式为:其中Hk为hessian矩阵的逆矩阵的近似值,为所求函数的一阶导数;
Hk的迭代公式为:其中sk,yk,ρk,Vk为迭代过程中的中间变量,满足sk=(W1)k+1-(W1)k,
在迭代过程中,判断所述一阶导数▽f((W1)k)是否小于预设的收敛阈值,当小于预设的收敛阈值时则迭代结束,所得(W1)k即为最优权值;否则,根据PK及Hk矩阵继续进行迭代,其中由前m次迭代结果估算得出,即只需要存储{si,yi}(i=k-m,...,k-1),然后根据修改后的下降方向PK及Hk矩阵,计算下一次迭代的权重(W1)k+1和一阶导数直到所述权值函数的一阶导数小于预设的收敛阈值,具体步骤如下:
(1)首先进行初始化,取k=0,权值矩阵的初始值为(W1)0,Hk矩阵的初始值H0=I,下降方向令则预设收敛判断条件ε(ε>0)和存储的迭代次数m(一般取6);
(2)收敛判断,如果则取权值矩阵(W1)k为最优解,否则转下一步;
(3)计算本次迭代下降方向Pk=-rk,计算步长αk,对下面式子进行线搜索
根据下降方向PK和步长αk更新权值矩阵(W1)k+1=(W1)k+αkPk;
(4)计算当k>m,计算sk=(W1)k+1-(W1)k,
并保存{si,yi}中前m次迭代结果,其中i=k-m,...,k-1,对于给定m,迭代m+1次后得到此时的Hk,
其中初始值设为由此得到rk,k←k+1转至上述步骤(2)进行收敛判断;
至此完成第一层ISA网络isa1的训练。
上述一种老年人异常行为的识别方法,所述第二层ISA网络isa2训练的具体步骤如下:
对第一步中采样得到的老年人行为模式的视频样本数据库中的视频样本重新进行分块,将所有重新进行分块的视频块组成一个视频样本数据X2,X2中视频块的大小大于原视频样本数据X1中的视频块,在X2中将每个视频样本随机地分割为200个视频块,每个视频块随机地选取连续14帧,每个视频帧随机地分割出连续相邻20×20的图像块,那么每个视频块的大小为20×20×14,然后将第一层ISA网络isa1的特征输出与视频样本数据X2进行卷积,将得到的卷积特征经预处理后输入第二层ISA网络isa2中,对其训练直至收敛,训练步骤同第一层ISA网络isa1训练的具体步骤,得到第二层ISA网络isa2的权值W2,再将权值W2代入第二层ISA网络isa2得到第二层的特征响应,至此完成第二层ISA网络isa2的训练。
上述一种老年人异常行为的识别方法,所述PCA白化、K均值聚类方法、SVM分类器、逐一鉴别法均是本技术领域公知的。
本发明的有益效果是:与现有技术相比,本发明具有如下的突出的实质性特点和显著进步:
(1)本发明方法,使用无监督学习方法来直接从视频数据中提取时空特征,其使用包含PCA和卷积的两层ISA网络结构,减小了计算维度,加快了训练速度。ISA学习所得的输出分量在具有统计独立性的同时也具有一定的位移、相位与旋转不变性,卷积网络能够高效地处理大样本数据,栈式网络可以提取到内容更为丰富的显著特征,因此它具有ISA模型、栈式网络和卷积网络的所有优点,适合处理视频中老年人行为的识别工作。
(2)本发明改进了栈式卷积ISA模型的最优求解算法。基本ISA模型中对权值有正交约束的条件,在利用梯度下降法求最优解时,每一步都要执行正交化,这种算法输入维度高,计算复杂度大。而本发明将原模型中的正交约束条件重构为无约束条件,利用无约束的L-BFGS最优求解方法,相比于基于约束优化的梯度下降法,其大大加快了收敛速度,提高了算法效率。
(3)本发明是基于改进的训练好的栈式卷积ISA模型的老年人异常行为的识别方法,该方法无需进行人体分割和背景建模,通过建立老年人行为数据库,利用无监督学习方法直接从视频数据中提取时空特征,实现对老年人异常行为的识别,克服了上述现有技术存在的各种缺陷。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1为本发明一种老年人异常行为的识别方法的流程示意框图。
图2为本发明中的栈式卷积ISA模型的网络结构示意图。
具体实施方式
图1所示实施例表明,本发明一种老年人异常行为的识别方法的流程是:建立老年人行为模式的视频样本数据库并对视频样本进行分块→视频样本数据的预处理→利用改进的训练好的栈式卷积ISA模型从视频样本数据中提取时空特征→对时空特征进行聚类得到视觉单词表和得到视频视觉单词频率直方图→训练χ2核支持向量机SVM分类器模型→对老年人异常行为的识别。
图2所示实施例显示本发明中的栈式卷积ISA模型的网络结构:将视频样本数据X1经上述预处理阶段得到PCA白化处理后的视频样本数据Z,将PCA白化处理后的视频样本数据Z输入第一层ISA网络isa1,第一层ISA网络isa1中的第一层单元的网络结构首先进行线性变换,连接输入PCA白化处理后的视频样本数据Z与第一层单元的网络结构的权值为W1,得到线性特征响应为S1,再经第一层单元的网络结构的非线性变换,连接第二层单元的网络结构与第一层单元的网络结构的权值为V1,得到第二层单元的网络结构特征响应P1,即为第一层ISA网络isa1的时空特征;然后将P1与含有更大视频块的视频样本数据X2进行卷积运算,得到的结果经预处理后作为第二层ISA网络isa2的输入数据,第二层ISA网络isa2中连接输入数据与第一层单元的权值为W2,得到线性特征响应为S2,连接第二层单元的网络结构与第一层单元的网络结构的权值为V2,得到第二层单元的网络结构特征响应P2,即为第二层ISA网络isa2的时空特征。
实施例
本实施例的一种老年人异常行为的识别方法,是基于改进的训练好的栈式卷积ISA模型的老年人异常行为的识别方法,具体步骤如下:
第一步,建立老年人行为模式的视频样本数据库并对视频样本进行分块:
采样具有老年人行为模式的视频样本,包含6种行为:行走、坐下、站起、弯腰、跌倒、挥手、手部震颤,其中跌倒和手部震颤属于异常行为,其余行为属于正常行为,每种行为采样100个,则共采样600个视频样本,由这些采样的视频样本建立老年人行为模式的视频样本数据库,并对该数据库中的视频样本进行分块,具体方法是,将数据库中的每个视频样本随机地分割为300个视频块,每个视频块随机地选取连续10视频帧,再将每一视频帧随机地分割出连续相邻16×16的图像块,则每个视频块的大小为16×16×10,总共采样得到600×300个视频块,将所有视频块组成一个视频样本数据X1:
X1={x1,x2,...,x600×300}
其中,每一列向量xi表示一个视频块数据,每个视频块数据的维度为16×16×10;
第二步,视频样本数据的预处理:
将上述第一步采样的具有老年人行为模式的视频样本数据进行归一化和PCA白化,除去视频样本数据中的相关性和噪声,由此完成视频样本数据的预处理;
所述具有老年人行为模式的视频样本数据进行归一化的操作方法是,逐视频样本数据均值消减,也称为移除直流分量,逐视频样本数据进行计算,即分别计算各视频样本数据的均值,然后各视频样本数据减去其对应的均值,则视频样本数据X1归一化后为X1′。
所述将具有老年人行为模式的视频样本数据进行PCA白化即主成分分析白化的操作步骤如下:
(1)计算训练视频样本的协方差矩阵:其中m为视频样本中的视频块个数,xi′为X1′中的分量,(xi′)Τ为(xi′)的转置矩阵;
(2)对协方差矩阵Σ进行奇异值分解:∑=U×V×D,其中,分解得到的U和D都是正交矩阵,V是对角化的矩阵,其元素非负且按降序排列,即为协方差矩阵的特征值按降序排列,由此正交矩阵U为协方差矩阵Σ的特征向量,保留U中的前k个成分,也即前k个特征值对应的特征向量,k<m,其余赋值为0,得到 为U降维后的矩阵由此完成对协方差矩阵Σ的奇异值分解;
(3)对归一化后的视频样本数据X1′进行降维得到 为的转置矩阵;
(4)对进行PCA白化处理,使协方差矩阵Σ为单位矩阵,使每一维的方差都为1,得到PCA白化处理后的视频样本数据Z:其中zi为Z的行向量,zi={z1,z2,...,znf},nf表示每个视频样本数据的大小,λi表示协方差矩阵Σ的特征值,当一些特征值λi在数值上接近于0时,将导致在缩放步骤时除以一个接近0的值,这可能使数据上溢或造成数值不稳定,为此加上一个取值为ε≈10-5的常数,由此完成视频样本数据的PCA白化。
第三步,从视频数据中提取时空特征:
利用改进的训练好的栈式卷积ISA模型从上述第二步完成预处理的视频样本数据中提取时空特征,该栈式卷积ISA模型是由两层ISA网络堆叠的双层网络结构模型,其在第一层ISA网络isa1训练完成后,从视频样本数据中提取得到第一层ISA网络isa1的时空特征P1,再与更大视频块的视频样本数据X2进行卷积计算,得到的结果作为第二层ISA网络isa2的输入,然后完成第二层ISA网络isa2训练,从而从视频样本数据中提取得到第二层ISA网络isa2的时空特征P2,最后将第一层ISA网络isa1从视频样本数据中提取到的时空特征P1和第二层ISA网络isa2从视频样本数据中提取到的时空特征P2结合起来作为整个从视频样本数据中提取到的时空特征;
所述第一层ISA网络isa1训练的具体步骤如下:
将上述PCA白化处理后的视频样本数据Z输入第一层ISA网络isa1,对第一层ISA网络isa1进行训练直至收敛,得到第一层ISA网络isa1的权值W1,再将该权值W1代入第一层ISA网络isa1得到特征响应,第一层ISA网络isa1的权值W1具体求解过程如下:
单个ISA网络也是一个两层单元的网络结构,即包括第一层单元的网络结构和第二层单元的网络结构,第一层单元的网络结构将输入数据进行线性变换,得到线性特征响应,输入数据在第一层单元的网络结构线性变换的权值为W1,第二层单元的网络结构是对第一层单元的网络结构得到的特征进行非线性变换,用固定权重V1来表示第二层单元的网络结构与第一层单元的网络结构之间的连接权值,具体操作过程如下:
对每个输入的PCA白化处理后的视频样本数据Z,单个ISA网络的第一层单元的网络结构首先进行线性变换,得到线性特征响应S1:
S1=W1Z
其中,W1为输入的PCA白化处理后的视频样本数据Z到第一层单元的网络结构的线性变换的权值;
上式也可写为:
其中,sj是S1中的分量;wkj是W1中的分量,W1∈Rk×n,n是输入维数,k是第一层单元的网络结构中的分量个数;是Z中的分量,t取值为1→T,T为每个视频块的图片帧数;
单个ISA网络的第二层单元的网络结构对第一层单元的网络结构的特征进行非线性变换如下式:
其中,pi表示第二层单元的网络结构得到的特征响应P1的分量,V1∈Rm×k是第二层单元的网络结构与第一层单元的网络结构之间的连接权值,m是第二层单元中的分量个数,vil是V1的分量,vil表示第二层单元中第i个分量连接到第一层单元中第l个分量的权值,当第l个分量在sj中时,其值为1,否则为0;当ISA网络结构确定时,权值V1就是固定的;
计算第一层单元的网络结构线性变换的权值W1,以得到单个ISA网络最终的特征输出,其满足如下约束条件:
其中正交约束W1(W1)Τ=I保证了特征之间不相关,将正交优化问题重构为无约束优化问题:
当输入数据是白化数据时,重构代价函数相当于正交代价函数其中λ趋于无穷大时,满足硬正交约束,将正交约束的优化问题转化为无约束的优化问题后,利用一种拟牛顿法即L-BFGS无约束优化方法解决最小值问题如下:
权值W1的迭代公式为:(W1)k+1=(W1)k+αkPk,其中αk为步长,PK为对应的下降方向,k是迭代次数;
PK的迭代公式为:其中Hk为hessian矩阵的逆矩阵的近似值,为所求函数的一阶导数;
Hk的迭代公式为:其中sk,yk,ρk,Vk为迭代过程中的中间变量,满足sk=(W1)k+1-(W1)k,
在迭代过程中,判断所述一阶导数▽f((W1)k)是否小于预设的收敛阈值,当小于预设的收敛阈值时则迭代结束,所得(W1)k即为最优权值;否则,根据PK及Hk矩阵继续进行迭代,其中由前m次迭代结果估算得出,即只需要存储{si,yi}(i=k-m,...,k-1),然后根据修改后的下降方向PK及Hk矩阵,计算下一次迭代的权重(W1)k+1和一阶导数直到所述权值函数的一阶导数小于预设的收敛阈值,这样只保存最近m次的迭代信息,从而大大降低数据存储空间,计算可行方向的时间复杂度也降低,具体步骤如下:
(1)首先进行初始化,取k=0,权值矩阵的初始值为(W1)0,Hk矩阵的初始值H0=I,下降方向令则预设收敛判断条件ε(ε>0)和存储的迭代次数m(一般取6);
(2)收敛判断,如果则取权值矩阵(W1)k为最优解,否则转下一步;
(3)计算本次迭代下降方向Pk=-rk,计算步长αk,对下面式子进行线搜索
根据下降方向PK和步长αk更新权值矩阵(W1)k+1=(W1)k+αkPk;
(4)计算当k>m,计算sk=(W1)k+1-(W1)k,
并保存{si,yi}中前m次迭代结果,其中i=k-m,...,k-1,对于给定m,迭代m+1次后得到此时的Hk,
其中初始值设为由此得到rk,k←k+1转至上述步骤(2)进行收敛判断;
至此完成第一层ISA网络isa1的训练。
所述第二层ISA网络isa2训练的具体步骤如下:
对第一步中采样得到的老年人行为模式的视频样本数据库中的视频样本重新进行分块,将所有重新进行分块的视频块组成一个视频样本数据X2,X2中视频块的大小大于原视频样本数据X1中的视频块,在X2中将每个视频样本随机地分割为200个视频块,每个视频块随机地选取连续14帧,每个视频帧随机地分割出连续相邻20×20的图像块,那么每个视频块的大小为20×20×14,然后将第一层ISA网络isa1的特征输出与视频样本数据X2进行卷积,将得到的卷积特征经预处理后输入第二层ISA网络isa2中,对其训练直至收敛,训练步骤同第一层ISA网络isa1训练的具体步骤,得到第二层ISA网络isa2的权值W2,再将权值W2代入第二层ISA网络isa2得到第二层的特征响应,至此完成第二层ISA网络isa2的训练。
第四步,对时空特征进行聚类得到视觉单词表和得到视频视觉单词频率直方图:
利用K均值聚类方法对上述第三步提取到的时空特征进行聚类,得到k个聚类中心,一个聚类中心代表词袋模型的一个视觉单词wi={f1,f2,...,fm},其中fi为视觉单词中的第i个时空特征分量,m为时空特征维数,则k个聚类中心可视为一个视觉单词表V={w1,w2,...,wk},进一步对每个视频样本进行矢量化表示,统计时空特征基于视觉单词出现的频率,得到统计直方图,即视频视觉单词频率直方图:H={h1,h2,...,hk},其中hi表示视频中第i个视觉单词出现的频率;
第五步,训练χ2核支持向量机SVM分类器模型:
χ2核函数是采用卡方距离构建的一种广义高斯核函数:
其中,Hi=(hin)和Hj=(hjn)是视频视觉单词频率直方图,也即训练集中两个视频样本的矢量化特征,k是视觉单词的个数,A是所有训练集中视频样本之间距离的平均值;对于多类分类,采用逐一鉴别法,选择得分最高的类,将上述第一步中采集的一个类型的老年人行为模式的视频样本和剩余的其他所有类型的老年人行为模式的视频样本之间构建一个支持向量机SVM分类器,将该类老年人行为模式的视频样本的标签看作为+1,其他所有类型的老年人行为模式的视频样本的标签看作为-1,由此构成标签集,用上述第四步得到的视频视觉单词频率直方图和由此构成的标签集来训练χ2核支持向量机SVM分类器,得到训练好的χ2核支持向量机SVM分类器模型,χ2核支持向量机SVM分类器是基于χ2核函数的多类别分类器;
第六步,对老年人异常行为的识别:
按照上述五个步骤的顺序,对需要待识别的老年人行为进行识别:1)对待识别的老年人行为的视频样本进行分块;2)对分块后得到的视频样本数据进行归一化和PCA白化的预处理;3)利用改进的训练好的栈式卷积ISA模型从视频样本数据中提取时空特征;4)利用K均值聚类方法对时空特征进行聚类得到视觉单词表和得到视频视觉单词频率直方图;5)用训练好的χ2核支持向量机SVM分类器模型对待识别的老年人行为的视频样本类别进行预测,并判断确定该待识别的老年人的行为是否为异常行为,由此完成对老年人异常行为的识别。
上述实施例中,所述PCA白化、K均值聚类方法、SVM分类器、逐一鉴别法均是本技术领域公知的。
Claims (5)
1.一种老年人异常行为的识别方法,其特征在于:是基于改进的训练好的栈式卷积ISA模型的老年人异常行为的识别方法,具体步骤如下:
第一步,建立老年人行为模式的视频样本数据库并对视频样本进行分块:
采样具有老年人行为模式的视频样本,至少要包含5种老年人行为,其中有2~3种老年人异常行为,每种老年人行为至少采样100个视频样本,由这些采样的视频样本建立老年人行为模式的视频样本数据库,并对该数据库中的视频样本进行分块,具体方法是,将数据库中的每个视频样本随机地分割为300个视频块,每个视频块随机地选取连续10视频帧,再将每一视频帧随机地分割出连续相邻16×16的图像块,则每个视频块的大小为16×16×10,总共采样得到N×300个视频块,其中N为上述老年人行为模式的视频样本数据库中的视频样本的个数,将所有视频块组成一个视频样本数据X1:
X1={x1,x2,...,xN×300}
其中,每一列向量xi表示一个视频块数据,每个视频块数据的维度为16×16×10;
第二步,视频样本数据的预处理:
将上述第一步采样的具有老年人行为模式的视频样本数据进行归一化和PCA白化,除去视频样本数据中的相关性和噪声,由此完成视频样本数据的预处理;
第三步,利用改进的训练好的栈式卷积ISA模型从视频样本数据中提取时空特征:
利用改进的训练好的栈式卷积ISA模型从上述第二步完成预处理的视频样本数据中提取时空特征,该栈式卷积ISA模型是由两层ISA网络堆叠的双层网络结构模型,其在第一层ISA网络isa1训练完成后,从视频样本数据中提取得到第一层ISA网络isa1的时空特征,再与更大视频块的视频样本数据进行卷积计算,得到的结果作为第二层ISA网络isa2的输入,然后完成第二层ISA网络isa2训练,从而从视频样本数据中提取得到第二层ISA网络isa2的时空特征,最后将第一层ISA网络isa1从视频样本数据中提取到的时空特征和第二层ISA网络isa2从视频样本数据中提取到的时空特征结合起来作为整个从视频样本数据中提取到的时空特征;
第四步,对时空特征进行聚类得到视觉单词表和得到视频视觉单词频率直方图:
利用K均值聚类方法对上述第三步提取到的时空特征进行聚类,得到k个聚类中心,一个聚类中心代表词袋模型的一个视觉单词wi={f1,f2,...,fm},其中fi为视觉单词中的第i个时空特征分量,m为时空特征维数,则k个聚类中心可视为一个视觉单词表V={w1,w2,...,wk},进一步对每个视频样本进行矢量化表示,统计时空特征基于视觉单词出现的频率,得到统计直方图,即视频视觉单词频率直方图:H={h1,h2,...,hk},其中hi表示视频中第i个视觉单词出现的频率;
第五步,训练χ2核支持向量机SVM分类器模型:
χ2核函数是采用卡方距离构建的一种广义高斯核函数:
其中,Hi=(hin)和Hj=(hjn)是视频视觉单词频率直方图,也即训练集中两个视频样本的矢量化特征,k是视觉单词的个数,A是所有训练集中视频样本之间距离的平均值;对于多类分类,采用逐一鉴别法,选择得分最高的类,将上述第一步中采集的一个类型的老年人行为模式的视频样本和剩余的其他所有类型的老年人行为模式的视频样本之间构建一个支持向量机SVM分类器,将该类老年人行为模式的视频样本的标签看作为+1,其他所有类型的老年人行为模式的视频样本的标签看作为-1,由此构成标签集,用上述第四步得到的视频视觉单词频率直方图和由此构成的标签集来训练χ2核支持向量机SVM分类器,得到训练好的χ2核支持向量机SVM分类器模型,χ2核支持向量机SVM分类器是基于χ2核函数的多类别分类器;
第六步,对老年人异常行为的识别:
按照上述五个步骤的顺序,对需要待识别的老年人行为进行识别:1)对待识别的老年人行为的视频样本进行分块;2)对分块后得到的视频样本数据进行归一化和PCA白化的预处理;3)利用改进的训练好的栈式卷积ISA模型从视频样本数据中提取时空特征;4)利用K均值聚类方法对时空特征进行聚类得到视觉单词表和得到视频视觉单词频率直方图;5)用训练好的χ2核支持向量机SVM分类器模型对待识别的老年人行为的视频样本类别进行预测,并判断确定该待识别的老年人的行为是否为异常行为,由此完成对老年人异常行为的识别。
2.根据权利要求1所述一种老年人异常行为的识别方法,其特征在于:所述具有老年人行为模式的视频样本数据进行归一化的操作方法是:逐视频样本数据均值消减,也称为移除直流分量;逐视频样本数据进行计算,即分别计算各视频样本数据的均值;然后各视频样本数据减去其对应的均值,则视频样本数据X1归一化后为X1′。
3.根据权利要求1所述一种老年人异常行为的识别方法,其特征在于:所述将具有老年人行为模式的视频样本数据进行PCA白化即主成分分析白化的操作步骤如下:
(1)计算训练视频样本的协方差矩阵:其中m为视频样本中的视频块个数,xi′为X1′中的分量,(xi′)Τ为(xi′)的转置矩阵;
(2)对协方差矩阵Σ进行奇异值分解:∑=U×V×D,其中,分解得到的U和D都是正交矩阵,V是对角化的矩阵,其元素非负且按降序排列,即为协方差矩阵的特征值按降序排列,由此正交矩阵U为协方差矩阵Σ的特征向量,保留U中的前k个成分,也即前k个特征值对应的特征向量,k<m,其余赋值为0,得到 为U降维后的矩阵由此完成对协方差矩阵Σ的奇异值分解;
(3)对归一化后的视频样本数据X1′进行降维得到 为的转置矩阵;
(4)对进行PCA白化处理,使协方差矩阵Σ为单位矩阵,使每一维的方差都为1,得到PCA白化处理后的视频样本数据Z:其中zi为Z的行向量,zi={z1,z2,...,znf},nf表示每个视频样本数据的大小,λi表示协方差矩阵Σ的特征值,当一些特征值λi在数值上接近于0时,将导致在缩放步骤时除以一个接近0的值,这可能使数据上溢或造成数值不稳定,为此加上一个取值为ε≈10-5的常数,由此完成视频样本数据的PCA白化。
4.根据权利要求1所述一种老年人异常行为的识别方法,其特征在于:所述第一层ISA网络isa1训练的具体步骤如下:
将上述PCA白化处理后的视频样本数据Z输入第一层ISA网络isa1,对第一层ISA网络isa1进行训练直至收敛,得到第一层ISA网络isa1的权值W1,再将该权值W1代入第一层ISA网络isa1得到特征响应,第一层ISA网络isa1的权值W1具体求解过程如下:
单个ISA网络也是一个两层单元的网络结构,即包括第一层单元的网络结构和第二层单元的网络结构,第一层单元的网络结构将输入数据进行线性变换,得到线性特征响应,输入数据在第一层单元的网络结构线性变换的权值为W1,第二层单元的网络结构是对第一层单元的网络结构得到的特征进行非线性变换,用固定权重V1来表示第二层单元的网络结构与第一层单元的网络结构之间的连接权值,具体操作过程如下:
对每个输入的PCA白化处理后的视频样本数据Z,单个ISA网络的第一层单元的网络结构首先进行线性变换,得到线性特征响应S1:
S1=W1Z
其中,W1为输入的PCA白化处理后的视频样本数据Z到第一层单元的网络结构的线性变换的权值;
上式也可写为:
其中,sj是S1中的分量;wkj是W1中的分量,W1∈Rk×n,n是输入维数,k是第一层单元的网络结构中的分量个数;是Z中的分量,t取值为1→T,T为每个视频块的图片帧数;
单个ISA网络的第二层单元的网络结构对第一层单元的网络结构的特征进行非线性变换如下式:
其中,pi表示第二层单元的网络结构得到的特征响应P1的分量,V1∈Rm×k是第二层单元的网络结构与第一层单元的网络结构之间的连接权值,m是第二层单元中的分量个数,vil是V1的分量,vil表示第二层单元中第i个分量连接到第一层单元中第l个分量的权值,当第l个分量在sj中时,其值为1,否则为0;当ISA网络结构确定时,权值V1就是固定的;
计算第一层单元的网络结构线性变换的权值W1,以得到单个ISA网络最终的特征输出,其满足如下约束条件:
其中正交约束W1(W1)Τ=I保证了特征之间不相关,将正交优化问题重构为无约束优化问题:
当输入数据是白化数据时,重构代价函数相当于正交代价函数其中λ趋于无穷大时,满足硬正交约束,将正交约束的优化问题转化为无约束的优化问题后,利用一种拟牛顿法即L-BFGS无约束优化方法解决最小值问题如下:
权值W1的迭代公式为:(W1)k+1=(W1)k+αkPk,其中αk为步长,PK为对应的下降方向,k是迭代次数;
PK的迭代公式为:Pk=-Hk▽f((W1)k),其中Hk为hessian矩阵的逆矩阵的近似值,▽f((W1)k)为所求函数的一阶导数;
Hk的迭代公式为:其中sk,yk,ρk,Vk为迭代过程中的中间变量,满足sk=(W1)k+1-(W1)k,yk=▽f((W1)k+1)-▽f((W1)k),
在迭代过程中,判断所述一阶导数▽f((W1)k)是否小于预设的收敛阈值,当小于预设的收敛阈值时则迭代结束,所得(W1)k即为最优权值;否则,根据PK及Hk矩阵继续进行迭代,其中Hk▽f((W1)k)由前m次迭代结果估算得出,即只需要存储{si,yi}(i=k-m,...,k-1),然后根据修改后的下降方向PK及Hk矩阵,计算下一次迭代的权重(W1)k+1和一阶导数▽f((W1)k+1),直到所述权值函数的一阶导数小于预设的收敛阈值,具体步骤如下:
(1)首先进行初始化,取k=0,权值矩阵的初始值为(W1)0,Hk矩阵的初始值H0=I,下降方向Pk=-Hk▽f((W1)k),令rk=Hk▽f((W1)k),则r0=H0▽f((W1)0)=▽f((W1)0),预设收敛判断条件ε(ε>0)和存储的迭代次数m(一般取6);
(2)收敛判断,如果▽f((W1)k)≤ε,则取权值矩阵(W1)k为最优解,否则转下一步;
(3)计算本次迭代下降方向Pk=-rk,计算步长αk,对下面式子进行线搜索
根据下降方向PK和步长αk更新权值矩阵(W1)k+1=(W1)k+αkPk;
(4)计算rk=Hk▽f((W1)k),当k>m,计算sk=(W1)k+1-(W1)k,
yk=▽f((W1)k+1)-▽f((W1)k),并保存{si,yi}中前m次迭代结果,其中i=k-m,...,k-1,对于给定m,迭代m+1次后得到此时的Hk,
其中初始值设为由此得到rk,k←k+1转至上述步骤(2)进行收敛判断;
至此完成第一层ISA网络isa1的训练。
5.根据权利要求1所述一种老年人异常行为的识别方法,其特征在于:所述第二层ISA网络isa2训练的具体步骤如下:
对第一步中采样得到的老年人行为模式的视频样本数据库中的视频样本重新进行分块,将所有重新进行分块的视频块组成一个视频样本数据X2,X2中视频块的大小大于原视频样本数据X1中的视频块,在X2中将每个视频样本随机地分割为200个视频块,每个视频块随机地选取连续14帧,每个视频帧随机地分割出连续相邻20×20的图像块,那么每个视频块的大小为20×20×14,然后将第一层ISA网络isa1的特征输出与视频样本数据X2进行卷积,将得到的卷积特征经预处理后输入第二层ISA网络isa2中,对其训练直至收敛,训练步骤同第一层ISA网络isa1训练的具体步骤,得到第二层ISA网络isa2的权值W2,再将权值W2代入第二层ISA网络isa2得到第二层的特征响应,至此完成第二层ISA网络isa2的训练。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610957361.4A CN106503672B (zh) | 2016-11-03 | 2016-11-03 | 一种老年人异常行为的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610957361.4A CN106503672B (zh) | 2016-11-03 | 2016-11-03 | 一种老年人异常行为的识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106503672A true CN106503672A (zh) | 2017-03-15 |
CN106503672B CN106503672B (zh) | 2020-01-14 |
Family
ID=58321260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610957361.4A Expired - Fee Related CN106503672B (zh) | 2016-11-03 | 2016-11-03 | 一种老年人异常行为的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106503672B (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107843877A (zh) * | 2017-09-28 | 2018-03-27 | 西安电子科技大学 | 基于双最小p范数算法的失配滤波器组联合设计方法 |
CN108446605A (zh) * | 2018-03-01 | 2018-08-24 | 南京邮电大学 | 复杂背景下双人交互行为识别方法 |
CN109165550A (zh) * | 2018-07-13 | 2019-01-08 | 首都师范大学 | 一种基于无监督深度学习的多模态手术轨迹快速分割方法 |
CN109308444A (zh) * | 2018-07-16 | 2019-02-05 | 重庆大学 | 一种室内环境下的异常行为识别方法 |
CN109346104A (zh) * | 2018-08-29 | 2019-02-15 | 昆明理工大学 | 一种基于谱聚类的音频特征降维方法 |
CN109473173A (zh) * | 2018-09-30 | 2019-03-15 | 华中科技大学 | 一种基于视频的老年人认知功能缺陷评估系统及装置 |
CN110275919A (zh) * | 2019-06-18 | 2019-09-24 | 合肥工业大学 | 数据集成方法及装置 |
CN110309698A (zh) * | 2019-03-21 | 2019-10-08 | 绵阳师范学院 | 运动人体异常行为自动识别方法 |
CN110992334A (zh) * | 2019-11-29 | 2020-04-10 | 深圳易嘉恩科技有限公司 | 用于dcgan网络生成图像的质量评估方法 |
CN111149129A (zh) * | 2017-09-21 | 2020-05-12 | 株式会社安德科技术 | 异常检测装置及异常检测方法 |
CN111243751A (zh) * | 2020-01-17 | 2020-06-05 | 河北工业大学 | 一种基于双重特征选择和XGBoost算法的心脏病预测方法 |
CN115299937A (zh) * | 2022-09-16 | 2022-11-08 | 东联信息技术有限公司 | 一种智能摔倒检测平台 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065158A (zh) * | 2012-12-28 | 2013-04-24 | 电子科技大学 | 基于相对梯度的isa模型的行为识别方法 |
CN104268568A (zh) * | 2014-09-17 | 2015-01-07 | 电子科技大学 | 基于独立子空间网络的行为识别方法 |
-
2016
- 2016-11-03 CN CN201610957361.4A patent/CN106503672B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103065158A (zh) * | 2012-12-28 | 2013-04-24 | 电子科技大学 | 基于相对梯度的isa模型的行为识别方法 |
CN104268568A (zh) * | 2014-09-17 | 2015-01-07 | 电子科技大学 | 基于独立子空间网络的行为识别方法 |
Non-Patent Citations (4)
Title |
---|
QUOC V. LE ET AL.: "《Learning hierarchical invariant spatio-temporal features for action recognition with independent subspace analysis》", 《CVPR 2011》 * |
QUOC V. LE ET AL.: "ICA with Reconstruction Cost for Efficient Overcomplete Feature Learning", 《ADVANCES IN NEURAL INFORMATION PROCESSING SYSTEMS 24(NIPS 2011)》 * |
瞿涛 等: "多层独立子空间分析时空特征的人体行为识别方法", 《武汉大学学报 信息科学版》 * |
肖艳霞: "基于视觉感知的行为识别方法的研究与实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111149129A (zh) * | 2017-09-21 | 2020-05-12 | 株式会社安德科技术 | 异常检测装置及异常检测方法 |
CN107843877A (zh) * | 2017-09-28 | 2018-03-27 | 西安电子科技大学 | 基于双最小p范数算法的失配滤波器组联合设计方法 |
CN107843877B (zh) * | 2017-09-28 | 2021-10-01 | 西安电子科技大学 | 基于双最小p范数算法的失配滤波器组联合设计方法 |
CN108446605A (zh) * | 2018-03-01 | 2018-08-24 | 南京邮电大学 | 复杂背景下双人交互行为识别方法 |
CN108446605B (zh) * | 2018-03-01 | 2019-09-20 | 南京邮电大学 | 复杂背景下双人交互行为识别方法 |
CN109165550A (zh) * | 2018-07-13 | 2019-01-08 | 首都师范大学 | 一种基于无监督深度学习的多模态手术轨迹快速分割方法 |
CN109165550B (zh) * | 2018-07-13 | 2021-06-29 | 首都师范大学 | 一种基于无监督深度学习的多模态手术轨迹快速分割方法 |
CN109308444A (zh) * | 2018-07-16 | 2019-02-05 | 重庆大学 | 一种室内环境下的异常行为识别方法 |
CN109346104A (zh) * | 2018-08-29 | 2019-02-15 | 昆明理工大学 | 一种基于谱聚类的音频特征降维方法 |
CN109473173A (zh) * | 2018-09-30 | 2019-03-15 | 华中科技大学 | 一种基于视频的老年人认知功能缺陷评估系统及装置 |
CN110309698A (zh) * | 2019-03-21 | 2019-10-08 | 绵阳师范学院 | 运动人体异常行为自动识别方法 |
CN110275919A (zh) * | 2019-06-18 | 2019-09-24 | 合肥工业大学 | 数据集成方法及装置 |
CN110992334A (zh) * | 2019-11-29 | 2020-04-10 | 深圳易嘉恩科技有限公司 | 用于dcgan网络生成图像的质量评估方法 |
CN110992334B (zh) * | 2019-11-29 | 2023-04-07 | 四川虹微技术有限公司 | 用于dcgan网络生成图像的质量评估方法 |
CN111243751A (zh) * | 2020-01-17 | 2020-06-05 | 河北工业大学 | 一种基于双重特征选择和XGBoost算法的心脏病预测方法 |
CN111243751B (zh) * | 2020-01-17 | 2022-04-22 | 河北工业大学 | 一种基于双重特征选择和XGBoost算法的心脏病预测方法 |
CN115299937A (zh) * | 2022-09-16 | 2022-11-08 | 东联信息技术有限公司 | 一种智能摔倒检测平台 |
CN115299937B (zh) * | 2022-09-16 | 2023-08-11 | 东联信息技术有限公司 | 一种智能摔倒检测平台 |
Also Published As
Publication number | Publication date |
---|---|
CN106503672B (zh) | 2020-01-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106503672A (zh) | 一种老年人异常行为的识别方法 | |
Ma et al. | AU R-CNN: Encoding expert prior knowledge into R-CNN for action unit detection | |
CN107526785B (zh) | 文本分类方法及装置 | |
Sharma et al. | Classification in pattern recognition: A review | |
CN110659665B (zh) | 一种异维特征的模型构建方法及图像识别方法、装置 | |
Liu et al. | Plant leaf classification based on deep learning | |
CN110378208B (zh) | 一种基于深度残差网络的行为识别方法 | |
CN109614979A (zh) | 一种基于选择与生成的数据增广方法及图像分类方法 | |
CN109697469A (zh) | 一种基于一致性约束的自学习小样本遥感图像分类方法 | |
CN103425996B (zh) | 一种并行分布式的大规模图像识别方法 | |
CN108062543A (zh) | 一种面部识别方法及装置 | |
CN104778481A (zh) | 一种大规模人脸模式分析样本库的构建方法和装置 | |
CN101187986A (zh) | 基于有监督的近邻保持嵌入和支持向量机的人脸识别方法 | |
CN107292225B (zh) | 一种人脸识别方法 | |
CN106570521A (zh) | 多语言场景字符识别方法及识别系统 | |
CN103065158A (zh) | 基于相对梯度的isa模型的行为识别方法 | |
CN109857864A (zh) | 文本情感分类方法、装置、计算机设备及存储介质 | |
CN112597324A (zh) | 一种基于相关滤波的图像哈希索引构建方法、系统及设备 | |
Vallimeena et al. | CNN algorithms for detection of human face attributes–a survey | |
CN112669343A (zh) | 一种基于深度学习的壮族少数民族服饰分割方法 | |
CN114596589A (zh) | 一种基于交互级联轻量化transformers的域自适应行人重识别方法 | |
CN106022359A (zh) | 基于有序信息熵的模糊熵空间聚类分析方法 | |
Bhardwaj et al. | An Intelligent Multi-resolution and Co-occuring local pattern generator for Image Retrieval | |
CN108052867A (zh) | 一种基于词袋模型的单样本人脸识别方法 | |
CN113887509B (zh) | 一种基于图像集合的快速多模态视频人脸识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200114 |