基于视频的老年人异常行为检测系统.pdfVIP

摘要

针对养老问题，智能视频监控系统实现了室内独居老人的日常监护，然而目前的视频监

控系统对老年人异常行为的检测大多只包含跌倒，本文设计了包含跌倒、颈部异常状态和长

时间静止多个异常行为的检测系统，具有完整的系统结构，完善了异常行为检测体系。

本系统由数据采集部分、行为分析部分和远程报警部分组成。数据采集部分由嵌入式设

备将多个摄像头采集到的图像信息传输至行为分析部分；行为分析部分由本地实验设备实现

多个异常行为的检测；远程报警部分通过窄带物联网(NarrowBandInternetofThings,NB-IoT)

技术将发生的异常行为发送至云平台。系统包含单间单摄像头、单间多摄像头、多间单摄像

头和多间多摄像头四种模式，满足不同需求。

跌倒检测通过YOLOv5s目标检测模型检测出人体边界框，设计了新的基于扩展卡尔曼

滤波的目标跟踪器来解决YOLOv5s对于特殊形态人体无法检测的问题，提取人体边界框的

特征放入设计的模糊逻辑系统中，分析正常行为下模糊逻辑系统输出值的变化曲线，将阈值

设置为0.67，超过该阈值即判定为跌倒。

颈部异常状态检测包括低头状态和颈部倾斜状态检检测，加入LightweightOpenPose人

体姿态估计模型提取人体的骨架信息。低头状态指标用向量之间的比值关系来表示。为了减

小直接检测带来的误差，提出了新的颈部倾斜状态检测方法，通过相机标定、欧拉角计算等

方法判断出人体朝向，对图像进行仿射变换后计算脖子与肩膀的角度。

长时间静止检测设计了方向梯度直方图(HistogramofOrientationGradient,HOG)静止检

测和帧间差分法静止检测，HOG静止检测流程包括预处理、HOG值计算和静止指标计算，

帧间差分法静止检测包括差分图像获取、阈值处理、形态学处理等，验证了这两种方法对静

止检测的可行性。

对系统的各个异常行为测试结果表明：跌倒检测的准确率为94.53%；低头状态检测在

面向摄像头时准确率为100%，面向摄像头旋转角度越大，准确率越低，且距离对低头状态

指标的影响较小；颈部倾斜状态在人体面向摄像头向右旋转20°的情况下，经过处理后的脖

子与肩膀之间的角度相对误差绝对值的平均值减少了11.38%；长时间静止检测中帧间差分

法静止检测在效果和实时性上都优于HOG静止检测。最后，对系统的各个模式进行测试，

展示了各模式下的检测结果和云平台上的显示效果。

关键词：老年人，异常行为检测，跌倒检测，YOLO，模糊逻辑，LightweightOpenPose

ABSTRACT

Aimingattheproblemofoldage,theintelligentvideosurveillancesystemrealizesthedaily

monitoringoftheelderlylivingaloneindoors.However,mostofthecurrentvideosurveillance

systemsonlydetectfallsfortheelderly.Thisthesisdesignsadetectionsystemcontainingmultiple

abnormalbehaviorsoffalls,abnormalneckstate,andlong-timestatic.Thesystemhasacomplete

structureandfurtherimprovestheabnormalbehaviordetectionsystem.

Thissystemconsistsofdataacquisition,behavioranalysis,andremotealarm.Thedata

acquisitionpartconsistsofembeddeddevicesthattransmittheimagescollectedbymultiplecameras

tothebehavioranalysispart.Thebehavi