【技术实现步骤摘要】
基于隐私保护类GAN特征增强的居家视频跌倒检测方法
[0001]本专利技术属于计算机视觉和模式识别领域，具体的说是涉及一种基于隐私保护类GAN特征增强的老人居家视频跌倒检测方法。
技术介绍
[0002]随着我国老龄化以及家庭空巢化问题的日益严峻，独居老人的安全监护问题收到了广泛的关注。跌倒是老年人受伤死亡的主要原因，随着年龄的增长，跌倒的风险也随之增加，一旦发生跌倒，对于老年人的身体和心理都会造成极大的负面影响。伴随着社会对老年人健康生活的关注，发展出了多种跌倒检测的方式，现阶段跌倒检测技术主要分为基于可穿戴设备、基于场景传感器以及基于计算机视觉。可穿戴设备需要随身佩戴，定时充电，这就存在很大的安全隐患；场景传感器技术需要在老人活动范围布置大量各类传感器，成本很高且难以维护；相比之下，基于计算机视觉的跌倒检测技术因具有丰富的监测信息、非接触式监测方式、零电磁干扰监测环境等优势，受到了越来越多研究人员的关注。计算机视觉跌倒检测技术是目前广受关注的研究方向，但也存在个人隐私泄露的缺点，这是由于计算机视觉技术是基于一个或多个摄像头...
【技术保护点】
【技术特征摘要】
1.基于隐私保护类GAN特征增强的居家视频跌倒检测方法，其特征在于：所述居家视频跌倒检测方法包括如下步骤：步骤1：输入原始视频的训练数据集：基于公共的跌倒检测数据集，根据数据集中行为的特点，将训练数据分成正负集合，人工打上相应的类别标签；步骤2：多层压缩感知处理：基于混沌伪随机伯努利测量矩阵对原始视频进行多层压缩感知处理，产生视觉层面具有视觉隐私保护效果的视频；步骤3：前景动目标的提取：利用基于广义非凸鲁棒主成分分析的低秩稀疏分解算法进行前景动目标的提取，得到具有视觉隐私保护效果的视频的前景动目标；步骤4：获得跌倒分类结果：运用基于带有辅助分类器的GAN网络对步骤3中获取到的具有视觉隐私保护效果的视频中的前景动目标进行时空迁移补偿，使得具有视觉隐私保护效果的视频中丢失的特征得到补偿，在此基础上得到最终的跌倒分类结果。2.根据权利要求1所述基于隐私保护类GAN特征增强的居家视频跌倒检测方法，其特征在于：步骤3中的所述低秩稀疏分解算法表示为：式中g(
·
)是非凸的、闭的、正常的下半连续函数，σ
i
(L)为低秩矩阵L的第i个奇异值，S
j
为稀疏矩阵S的第j个元素，τ,γ>0均为参数，M∈R
m
×
n
为待处理的数据矩阵，L∈R
m
×
n
为低秩矩阵，S∈R
m
×
n
为稀疏矩阵；其分解过程包括如下步骤：步骤3
‑
1：把步骤2中经过多层压缩感知处理过程中产生的噪声作为稀疏矩阵，把步骤1和步骤2中的前景和背景作为低秩矩阵，去除噪声；步骤3
‑
2：把步骤1数据集和步骤2视频的背景信息作为低秩矩阵，把步骤1数据集和步骤2视频的前景信息看做稀疏矩阵，再次使用基于广义非凸鲁棒主成分分析的低秩稀疏分解算法提取出前景动目标。3.根据权利要求1所述基于隐私保护类GAN特征增强的居家视频跌倒检测方法，其特征在于：步骤4中的所述带有辅助分类器的GAN网络包括生成器G网络和鉴别器D，所述生成器G网络和鉴别器D均使用卷积神经网。4.根据权利要求3所述基于隐私保护类GAN特征增强的居家视频跌倒检测方法，其特征在于：步骤4中的所述带有辅助分类器的GAN网络的处理过程包括如下步骤：步骤4
‑
1：训练过程，在鉴别器D网络端输入步骤1中原始视频的前景动目标特征、相应的类别信息以及步骤4中补偿后的前景动目标特征，在生成器G网络端输入与原始视频对应的多层压缩感知处理后的具有视觉隐私保护效果的视频的前景动目标特征，并且，原始视频与具有视觉隐私保护效果的视频之间形成类别信息一一对应关系；步骤4
‑
2：测试过程，只输入步骤2中多层压缩感知处理后的具有视觉隐私保护效果的视频的特征，在鉴别器D中输出具有视觉隐私保护效果的视频的特征的相应的类别信息，然后增加输出的分类与真实分类之间的损失计算，最终得到跌倒检测的准确率...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。