基于极限学习机快速分类的人体跌倒检测方法

为了准确快速检测人体跌倒状态,提出基于惯性测量单元(inertial measurement unit,IMU)测量和处理数据的极限学习机(extreme learning machine,ELM)快速分类判别方法。分析了人体运动行为特征,构建了腿部运动参数提取模型;通过IMU采集人体腿部运动特征数据,并进行姿态解算;采用ELM方法对人体运动特征的加速度、角速度和姿态进行分类,判断人体是否处于跌倒状态;根据机器学习评价指标对ELM参数进行优化,得到最佳参数。进行了人体运动状态测量实验,结果表明,ELM方法能够对IMU测量和处理数据进行准确快速地分类。当隐含层结点为1 000时,ELM检测方法跌倒检测的准确率为96. 45%,灵敏度为97. 32%,特异性为89. 32%。因此,采用ELM快速检测方法,可有效地对人体运动特征数据进行分类,实现对人体跌倒行为的准确检测。     

OpenPose结合BP网络的行为检测方法

采用OpenPose与BP网络相结合的方法对人体整体或局部行为进行分类检测,首先利用人体姿态估计算法获得人体骨架节点坐标数据,然后利用BP分类网络对节点坐标数据进行迭代训练与学习。检测不同整体行为的分类模型,训练准确率达100%,网络损失仅为0.091,实测各类准确率及总体准确率均达100%;检测局部行为的分类模型,训练准确率亦达100%,网络损失小于10-6,实测各类准确率及总体准确率均达100%; OpenPose与BP网络相结合的方法不仅可以实现不同整体行为或局部行为快速、准确的分类检测任务,同时还克服了传统行为检测方法的不足,能够实现更高效、更准确、更快速的分类检测。     

基于YOLO网络的人体跌倒检测方法

为根据监控视频准确、快速地检测室内环境下人体跌倒行为,根据候选框密度重组方法,提出一种改进的YOLO算法,并根据人体形态学特征和HOG特征,基于两级支持向量机分类器算法,实现了通过视频对室内人体跌倒的快速检测.试验结果表明,本文算法对于室内人体跌倒的识别率达96.33%,比传统算法提高了8.16%.     

一种基于CSI的跌倒检测方法

针对传统人体行为识别方法系统搭建成本高、部署复杂且存在侵犯隐私等问题,提出一种使用商用Wi-Fi设备获取信道状态信息CSI进行人体行为识别与跌倒检测的方法.通过提取信道状态信息CSI中的幅度和相位特征作为基础信号,并使用功率谱熵作为新特征建立指纹库.采用基于人工鱼群算法AFSA修正的支持向量机SVM对动作进行分类识别,通过对SVM中的参数惩罚因子和核函数参数进行优化选择达到优化分类的效果.根据真实环境数据验证表明,平均识别率达到94.64%.     

基于人体姿态动态特征的跌倒行为识别方法

意外跌倒严重威胁老年人健康安全，准确识别跌倒事件并及时予以报警可以有效降低跌倒者所受伤害. 本文提出了一种新的跌倒识别方法，基于OpenPose深度卷积网络自图像提取的人体姿态关键点获取人体倾斜姿态动态特征，使用基于线性核的支持向量机完成跌倒行为二分类，并以基于人体下降姿态动态特征的阈值判断排除混淆性较大的非跌倒行为，保证算法召回率. 本方法在人体动作数据集上测试取得了97.33%的准确率与94.80%的精确率，与现有基于图像的跌倒识别方法相比具有更优的性能，常见的单目RGB摄像机的特性使得本方法在普及性上优于需要Kinect相机的现有跌倒识别方法.     

基于加速度特征的人体跌倒检测算法

针对跌倒检测系统必须快速准确响应的需求,提出一种基于三轴加速度传感器的人体跌倒实时检测算法.该算法通过分析人体运动的加速度特征,提取加速度信息特征向量,采用机器学习的方法对样本数据进行分析,获得分类阈值.在实时检测过程中,当采集的加速度信息的特征值大于阈值时,通过分析其产生峰值之后的加速度分量特征,确定是否发生跌倒事件.通过测试多种日常活动及各种跌倒的加速度信息,证明了该算法的有效性.     

卡尔曼滤波在人体姿态检测中的应用

为了尽早发现老人的意外跌倒,避免长躺现象,争取救护时间,对人体姿态进行检测。由控制器STM32F103和传感器MPU6050构成信号采集系统,采用无线蓝牙模式进行数据传递,由接收系统进行数据分析和显示。建立人体坐标系,对采集的加速度信号进行卡尔曼滤波,调节参数,补偿测量误差,实现最优估计。对滤波后的加速度信号进行整合,并以角度信号为辅助,进行姿态判断,及时判断跌倒事故。通过M atlab仿真发现,卡尔曼滤波的使用有效地提高了系统的测量精度,有助于姿态判断的实现。     

基于运动特征的人体异常行为识别

为了提高监控视频中人体异常行为识别的实时性和准确率,提出了基于运动特征的人体异常行为识别方法。利用分块更新的背景差法从图像中提取出完整的人体轮廓,通过区域关联结合颜色直方图实现人体目标跟踪,解决了非线性运动时漏跟和误跟的问题。通过人体运动轨迹、运动姿态及运动时间3个参数,对人的5种异常行为进行分析判断。实验结果表明,所提算法不仅能实时地对人体进行检测和跟踪,还能快速、准确地识别出异常行为,具有简单实用的特点。     

便携式人体跌倒检测及自动预警方法

传统人体跌倒检测和预警方法受地点限制,且采集人体行为数据不可靠,导致检测和预警精度低,实用性差。为此,提出一种新的便携式人体跌倒检测及自动预警方法。通过对人体行走、弯腰、站立、坐下、躺下和跌倒等动作角度进行分析,发现跌倒时人体有显著的角度变化。对采集的角度数据波形阶段进行分割,通过信号时域对波形进行判断。利用K-L变换方法从庞大的特征量集合中获取合理特征量,分别是加速度峰值和倾角变化值,介绍其计算方法,找出最佳判断值。将跌倒检测方法编写成代码在便携式设备上实现,开发便携式设备终端智能APP,实现人体跌倒自动预警。实验结果表明,所提方法实用性强,跌倒检测和预警精度高。     

便携式人体跌倒检测及自动预警方法研究

传统人体跌倒检测和预警方法受地点限制,且采集人体行为数据不可靠,导致检测和预警精度低,实用性差。为此,提出一种新的便携式人体跌倒检测及自动预警方法。通过对人体行走、弯腰、站立、坐下、躺下和跌倒等动作角度进行分析,发现跌倒时人体有显著的角度变化。对采集的角度数据波形阶段进行分割,通过信号时域对波形进行判断。利用K-L变换方法从庞大的特征量集合中获取合理特征量,分别是加速度峰值和倾角变化值,介绍其计算方法,找出最佳判断值。将跌倒检测方法编写成代码在便携式设备上实现,开发便携式设备终端智能APP,实现人体跌倒自动预警。实验结果表明,所提方法实用性强,跌倒检测和预警精度高。     

基于数据融合的全舰统一姿态基准测量系统

为测量大型舰船甲板的变形,对甲板变形引起的局部姿态误差进行补偿,设计了基于多IMU数据融合的全舰统一姿态基准测量系统．提出了甲板变形测量方法,建立了IMU布局优化数学模型,并运用遗传算法对IMU的布局进行了优化求解．仿真结果表明,建立全舰统一姿态基准测量系统是测量舰船甲板变形的有效办法,利用布局优化后IMU的输出信息进行全舰甲板变形估计,估计精度优于2.3arcmin,并能减少舰载武器系统所需IMU的数量．     

基于人行为地图的室内PIR定位方法

针对老人家庭看护中的室内定位问题,提出了一种基于人行为地图的室内热红外释电传感器(pyroelectric infrared sensor, PIR)定位方法.首先采集PIR传感器检测身体运动信号来确定人在室内的初步位置信息;利用惯性测量单元(inertial measurement unit, IMU)检测3D加速度信号识别人在室内的基本日常行为——躺、坐、站、走;利用IMU的3D加速度信号估计人的室内移动速度和方向;通过行为习惯观察,建立相应的躺、坐、站、走的行为地图;通过粒子滤波方法融合上述传感器信息,实现定位.实验结果表明,提出的方法在定位时,既保护人的隐私,也提高基于PIR传感器定位的精度及稳定性.     

基于DSP与FPGA的靶标动态检测跟踪技术

针对靶场目标测试面临的测量目标小、距离远、目标与背景对比度低等实际问题,提出了基于DSP(Digital Signal Processing）与FPGA（Field Programmable Gate Array）的数字视频图像信息进行目标动态检测跟踪的方法。该方法采用了图像分割检测方法与目标跟踪算法,精确并快速地定位靶标十字的中心,从而实现复杂环境下运动靶标检测跟踪，提高了检测效率和精度。     

基于无线通讯与 GP S定位的人体跌倒检测器

为减小老年人因跌倒造成的身心伤害，实现及时救助，设计了一种实用的人体跌倒检测器。采用三轴加速度传感器和ZigBee无线通讯实现人体运动状态的数据采集和传输，采用基于加速度向量幅值和人体姿态角检测算法实现跌倒检测，通过报警单元实现基于GSM模块的短信报警，利用对GPS数据解析实现跌倒事件的地理信息的Google显示。实验结果表明，该检测器对人体向前跌倒后平躺、向右跌倒后侧躺和向前跌倒后未平躺等状态判别准确率达到100％，监控界面良好。     

基于惯性测量器件的无线步态分析平台

步态定量测量方法应用于许多领域,如临床医学、双足机器人控制等.采用惯性测量单元结合无线传感器网络建立了一个步态分析平台,将两个无线惯性测量单元传感器节点分别绑定在左右双侧脚踝,以同时采集双脚运动过程中的加速度和角速度信号,并将其通过无线方式发送到远程终端.通过模式识别、时间序列分析、阈值检测和零速修正等多种数据融合方法计算步态参数,并通过融合双足传感器数据得到双支撑相、双脚步行周期等重要的双足步态参数,其中双支撑相参数对人体日常动作的识别有重要意义.实验结果显示该研究具有较高的计算精度.     

基于空间聚类的FMCW雷达双人行为识别方法

为实现双人场景下人体行为的识别,利用调频连续波(frequency modulated continuous wave, FMCW)雷达提出一种基于空间聚类的双人行为识别方法.该方法采用基于密度的DBSCAN(density-based spatial clustering of applications with noise)聚类算法将FMCW雷达采集到的坐标数据聚类成不同的聚类群,使得每一个聚类群对应于单一人体的行为,再对其进行数据处理、特征提取后分别采用机器学习方法分类,实现双人场景下人体行为的识别.文中分析行为特征量、动作关键点以及分类器对识别准确率的影响.实验结果表明,在两人场景中该方法对跌倒、坐下和行走的检测准确率分别可以达到100%、 93.8%和87.3%.     

基于SSA-RBF的灌区流量预测

水资源短缺问题日益严重,快速准确的灌区流量测量具有重要意义。现有流量测算模型一般采用传统的测流方法或简单的神经网络模型进行处理,采用上述方法将面临测量成本、测量精度等挑战。故将麻雀搜索算法(sparrow search algorithm, SSA)与径向基神经网络(radial basis function, RBF)相结合,以渠道水深、测点流速、测点位置为输入,灌区流量为输出,设计了一种新的SSA-RBF神经网络模型用于预测灌区流量。以都江堰人民渠渠首站点在27种不同水力条件下的实测数据为基础,对SSA-RBF模型和RBF模型以及极限学习机(extreme learning machines, ELM)模型进行评估和比较,实例结果表明SSA-RBF模型能够快速准确地预测出流量,其确定系数为0.975、均方根误差为6.186、平均绝对误差为4.324、残差质量系数为0.011 9,4种评价指标以及预测结果偏差均优于ELM模型以及RBF模型,为提升灌区流量测算精度提供了思路。     

视频监控中可变人体行为的识别

为有效识别视频监控中的人体行为,提出了新的人体行为识别模型和前景提取方法.对前景提取,采用背景边缘模型与背景模型相结合的前景检测方法,有效避免了光照、阴影等外部因素的影响.为了快速发现人体运动过程中产生的新行为,采用分层Dirichlet过程聚类人体特征数据来判断是否有未知人体行为产生,用无限HMM对含有未知行为模式的...