导　　师： 黄炳升;陈汉威

授予学位： 硕士

作　　者： (）;

机构地区： 深圳大学

摘　　要： 老年人跌倒发生概率高、风险大,不但影响着老年人的健康安全和生活质量,也给家庭和社会的带来沉重的医疗负担。尤其是我国已经进入老龄化社会,老年人口基数越来越大,缺乏照料的空巢老年人数量不断攀升,老年人跌倒也将呈现上升趋势。随着视觉传感器和计算机视觉技术的不断发展,基于图像的人体跌倒检测研究日益得到广泛关注,利用图像设备进行人体跌倒自动检测具有重要的社会意义和研究价值。传统的基于图像的跌倒检测研究通常利用单一的彩色图像或单一的深度图像,存在图像场景信息不足导致检测不准确和适应环境能力不足等问题。同时,常见的跌倒检测算法通常着眼于运动目标检测而进行前景提取,特征提取方法单一,难以充分表征跌倒信息。本文结合传统的彩色图像和Kinect深度图像,在机器学习的基础上,提出了基于局部特征进行跌倒检测的思路,同时融合运动目标检测进行人体跌倒检测,以提升跌倒检测算法性能。本文主要贡献体现在以下4个方面:一、提出将非跌倒人体头肩部作为判断跌倒检测的依据。我们研究分析了跌倒人体图像与非跌倒人体图像的特点后发现,与跌倒人体图像中没有相对统一的颜色、纹理、形状、空间等特征相反,在非跌倒人体图像中人体的头肩部形状相对统一,且人体头肩部深度空间相似因此我们提出将非跌倒人体头肩部作为判断跌倒检测的依据。二、利用彩色深度同步图像进行人体跌倒检测。针对图像局部特征提取,我们提出了利用灰度梯度直方图特征描述子(Histogram of Oriented Gradient,HOG)提取彩色图像局部特征;并对深度图像提取了自排序的深度自相似特征(Sorted Depth Self-similarity,SDSS)和PCA-DSS特征(PCA Depth Self-similarity)。我们将彩色图像特征和深度图像特征结合,并利用支持向量机进行联合跌倒检测。深度

关 键 词： 彩色深度图像 跌倒检测 局部特征 前景提取 机器学习 联合检测

领　　域： []