基于RGB-D图像的室内异常行为检测技术研究

摘要

近年来随着人类社会的不断发展,人们的生活水平也在不断提高，与此同时，人们也越来越重视生活环境和人身健康安全等方面的内容。因此越来越多的以视频监控设备为代表的监控设备被安装在人们生活的场所，以达到检测目标环境内可能发生的不利于人们人身财产安全的异常行为的目的。传统的监控设备主要通过处理RGB图像获取信息，随着RGB-D传感器的诞生，人们还能够通过深度传感器获取更加丰富的信息，包括深度信息和人体关节点信息，这些信息的增加会更有利于对异常行为的检测。
　　本文的研究是基于Kinect体感设备检测室内可能出现的抽烟行为和摔倒行为。本文首先研究了利用Kinect获取的人体关节点信息在视频图像流中确定抽烟行为关键帧图像的方法，同时利用不同关节点之间的相对位置信息实现了基于关节点信息对手部区域图像的截取。然后在综合分析抽烟行为特征的基础上，对截取的手部图像提取HOG特征，在提取HOG特征之前对不同的梯度算子进行对比分析和选定，同时对关键帧图像同一时刻的骨骼图像数据进行保存，利用部分关节点的数据计算得到上肢的四个角度特征。将 HOG特征结合抽烟时刻的上肢角度特征，训练SVM分类器应用于抽烟行为检测中。通过实验证明，将HOG特征结合抽烟时上肢角度特征训练SVM分类器能够获得较好的检测效果。
　　本文基于Kinect获取到的人体关节点信息对摔倒行为进行检测识别，根据不同行为出现时人体高宽比的变化结合人体三个关节点速度的大小分布，对不同类型的摔倒行为和非摔倒行为进行多次实验，设置高宽比阈值和速度阈值对摔倒行为进行判断，经实验验证，基于人体关节点信息高宽比变化及关节点速度分布的方法对人体摔倒行为检测达到了较好的效果。

目录

声明

第一章 绪论

1.1室内异常行为检测研究背景

1.2室内异常行为检测研究进展

1.3本文的创新点

1.4本文主要工作和内容安排

第二章 关键帧图像提取及图像预处理

2.1 Kinect设备技术原理及相关理论

2.2抽烟检测关键帧图像的确定

2.3关键帧图像预处理

第三章 抽烟行为特征提取

3.1抽烟行为的特征分析

3.2 HOG特征的计算

3.3肢体角度特征的提取

3.4本章小结

第四章 基于SVM（支持向量机）的抽烟行为识别

4.1分类识别算法的选取

4.2支持向量机介绍

4.3创建手势图像数据库

4.4实验分析

4.5本章小结

第五章 基于Kinect的摔倒行为识别

5.1引言

5.2摔倒行为检测技术发展

5.3基于人体高宽比性及关节点速度分布检测摔倒行为

5.4实验分析

5.5本章小结

第六章 总结与展望

参考文献

附录1 攻读硕士学位期间撰写的论文

致谢