[发明专利]一种室内环境下的异常行为识别方法

权利要求书

1.一种室内环境下的异常行为识别方法，其特征在于：包括以下步骤：

步骤一：获取CASIA行为分析数据库中俯视角下走、跑、弯腰、跳、下蹲、晕倒等视频集合，将视频中的所有帧提取出来，预处理后作为训练数据集；

步骤二：将卷积神经网络(Convolutional Neural Networks,CNN)作为特征提取器提取训练数据集的高维抽象特征，将支持向量机(Support Vector Machine,SVM)作为分类器获得对应行为的标签，离线训练所构造的模型；

步骤三：对于训练后的卷积神经网络，将所有小于阈值K的神经元之间的连接权重置为0，并微调网络以使其保持识别精度处于较高水平，重复步骤三以持续压缩并加速深度网络；

步骤四：通过位于房间天花板的红外摄像头获取待识别目标的视频，将视频关键帧作为测试集，预处理后输入训练好的模型，识别目标对应动作；

步骤五：构建目标的行为关联矩阵G＝(T,L,A)，关联矩阵的三个元素分别表示时间、地点、动作与自然行为之间的关系，即不同情况下可能对应的自然行为。由不同时间、位置、动作与自然行为之间的关联矩阵构建自然行为与环境上下文信息的知识库，利用D-S证据理论融合每种情况下的自然行为概率分布，完成目标的行为识别。

2.根据权利要求1所述的一种室内环境下的异常行为识别方法，其特征在于：在步骤一中具体包括以下步骤：11：获取CASIA行为分析数据库中俯视角下走、跑、弯腰、跳、下蹲、晕倒等视频集合，将视频中的所有帧提取出来；12：获取每种行为对应的关键帧，对关键帧进行降维、去噪等预处理操作；13：在预处理后的关键帧中人工标注出待检测目标区域，并给出行为对应的标签，构造训练数据集。

3.根据权利要求1所述的一种室内环境下的异常行为识别方法，其特征在于：在步骤二中具体包括以下步骤：21：利用卷积神经网络(Convolutional Neural Networks,CNN)作为特征提取器，支持向量机(Support Vector Machine,SVM)作为分类器，构造一个CNN+SVM的人体动作识别模型；22：将步骤21中构造的训练数据集输入卷积神经网络，提取具有良好表达性的特征；23：将卷积神经网络提取的特征输入支持向量机，对人体动作进行准确识别，构造具有良好性能的模型。

4.根据权利要求1所述的一种室内环境下的异常行为识别方法，其特征在于：

在步骤三中具体包括以下步骤：31：设定较小阈值K，对于步骤二中模型中所有小于K的连接权重都置为0；32：微调剪枝后的网络，使得网络达到较高的识别准确度；33：重复步骤31、步骤32，通过迭代剪枝使网络规模逐渐降低，最终获得高性能的模型。

5.根据权利要求1所述的一种室内环境下的异常行为识别方法，其特征在于：在步骤四中具体包括以下步骤：41：通过天花板的红外摄像头获取待检测目标视频，对视频关键帧进行降维、去噪等预处理操作；42：对所采集的红外图像上进行人体窗口采样，提取运动目标的标注框区域；43：将提取得到标注框区域送入权利要求1所述步骤三中剪枝后的CNN+SVM模型，对人体动作进行检测与识别。

6.根据权利要求1所述的一种室内环境下的异常行为识别方法，其特征在于：在步骤五中具体包括以下步骤：51：构建行为关联矩阵

G＝(T,L,A) (1)

其中，T、L、A分别为时间、地点、动作与自然行为之间的关系，即不同情况下可能发生的行为；52：根据行为关联矩阵给出每种情况下异常行为发生的概率；53：利用D-S证据理论对每种概率进行决策级融合，最终得到异常行为发生的概率，完成室内环境下的异常行为识别。