本文是一篇软件工程硕士论文，针对问题(1)中无法根据年龄段检测行人摔倒的问题，本文将年龄估计和摔倒检测算法进行有机结合，提出基于 SSR-S 网络的年龄估计算法，通过提取人脸图像与年龄相关的特征，并设计基于回归计算涵盖多粒度年龄预估方法，实现对行人年龄的准确区分。
第 1 章 引言
1.1 研究背景与研究意义
人工智能是对人的意识、思维过程的模拟，能像人一样思考、甚至超过人的智能。随着人工智能第三次浪潮的袭来，人工智能在各大行业得到广泛应用，例如行为识别、人脸识别、指纹识别、智能控制和智能信息检索等[1-5]，人工智能在提高人们生活水平的同时，更是带动了全人类的进步。
近年来，随着老龄化社会的加剧，独居老年人的数量逐年增多。据相关统计，2010 年空巢家庭的老年人占整个老年人口的 49.3%，到 2030 年这一比例将达到90%[6, 7]，因此空巢正在成为老年人的主要家庭形态；据国家统计局数据显示，截止 2017 年年末，中国大陆 60 周岁及以上人口 2.41 亿，所占比重达到 17.3%，65 周岁及以上人口的比重更是超过了 10%，远远超过了国际上对老龄化社会的判定标准。
由于中国老龄化社会的加剧和空巢家庭数量的增多，老年群体的健康问题受到广泛的关注，越来越多的学者对老年人的健康问题展开了研究。据江西省对60 周岁及以上农村人口伤害监测结果分析可知，60 岁及以上年龄组的人更容易受到伤害，并且伤害发生的主要原因是摔倒/坠落伤(69.3%)和交通事故伤(13.12%)[8]。胥馨尹等人[9]对就诊于伤害哨点医院的老年人的受伤原因进行统计分析，如表 1.1 所示，无论在城市还是农村，老年人伤害发生的首要原因都是因为摔倒。陆治名等人[10]对大于 60 周岁的老年人摔倒地点进行统计，经过分析发现，摔倒行为主要发生在家中(56.41%)、公路/街道(17.24%)、公共居住场所(14.36%)等，摔倒已经连续多年成为我国非事故受伤的首要原因[11]，并且随着年龄的增长，摔倒致死率也在逐渐升高[12]。在美国，仅因摔倒受伤造成的直接医疗费用就占所有医疗保健支出的 0.1%，而在欧洲国家则高达 1.5%[13]，由此可见，老年人摔倒不仅给自身带来了伤害，也给整个国家造成了严重的经济负担。因此，相较于年轻人而言，摔倒对于空巢老人是非常危险的，尤其对 60 周岁及以上人群，研究出一种智能的摔倒检测系统，能够在老人摔倒后及时发出警报，并及时提供医疗援助是具有重要意义的。
..........................
1.2 国内外研究现状
随着计算机技术的发展，人体行为识别得到了广泛的研究，虽然摔倒行为只作为其中的一小部分，但是具有重要的意义，越来越多的学者开始关注和研究摔倒检测相关技术，并提出许多摔倒检测方法，大致可以分为基于计算机视觉[14, 15]和非基于计算机视觉[16, 17]两类。
非基于计算机视觉的摔倒检测：此方法主要体现在可穿戴设备和环境传感器中。基于可穿戴式传感器的摔倒检测的方法需要在测试者的身上佩戴传感器，传感器检测的数值会根据人体的活动而发生变化，通过利用这些传感器装置收集到的数据对人体进行摔倒检测。Casilari 等人[18]分析了基于可穿戴式三轴加速度计所捕获的测量值，并且使用卷积神经网络(Convolutional Neural Networks, CNN)对所捕获的测量值进行训练并检测摔倒事件。Kerdjidj 等人[19]设计的系统依靠可穿戴的 Shimmer 设备，通过无线连接将一些惯性信号传输到计算机进行摔倒检测。Nho 等人[20]将心率传感器和加速度计进行融合，使用聚类的方法对用户的活动行为进行分析，并提供了数据集。Gjoreski 等人[21]使用了一种基于机器学习的多传感器数据融合的方法，通过测试者穿戴 5 个传感器来识别人的活动和摔倒。基于可穿戴设备的摔倒检测方法都需要在测试人员身上穿戴加速器、陀螺仪等设备，给老年人的行为造成了诸多不便，导致老年人往往不愿意佩戴，有时候甚至忘记佩戴，使得此方法很难被广泛使用。基于环境传感器的摔倒检测方法是通过安装在房间中的人体活动传感器、开关传感器或流量传感器对老人的日常活动数据进行分析，获取老人行为模型的参数，通过模型匹配实现老人异常行为的检测。在文献[22]和[23]中，研究人员在地板下面安装传感器，利用地板振动和压力来检测行人摔倒。Diego 等人[24]使用地板传感器捕获声音，提出了基于支持向量机和模板匹配分类器的组合，并将其应用在半监督框架中进行判断。然而这些传感器只提供一些简单的原始数据，缺乏对行人进行摔倒判断的足够信息，并且受环境干扰较大，鲁棒性不好，误判率较高。
基于计算机视觉的摔倒检测：此方法是通过摄像机记录行人在某个地点发生的情况，然后对视频中的行为进行分析，最终进行摔倒判断。Yao 等人[14]考虑了头部在摔倒检测中的重要性，使用两个不同的椭圆分别代表头部和躯干，并提出了一种基于几何特征的 CNN 摔倒检测方法。Min 等人[25]提出了一种摔倒检测方法，此方法使用置信框拟合人体，将人体运动轨迹和置信框长宽比结合，能够实时地检测摔倒。Chen 等人[26]提出了一种基于图像处理技术的摔倒检测系统，利用人体的身高和置信框的纵横比，分析一个人与另一个人重叠的图像，并检测一个人是否摔倒。Rougie 等人[27]使用一个椭圆拟合人体的摔倒检测方法，将运动历史和人体形态变化等有关人体活动的重要信息进行结合，使摔倒检测方法更具有鲁棒性。
..............................
第 2 章 相关理论知识介绍
2.1 人脸年龄估计
人脸的基本问题包括人脸目标检测[42, 43]、人脸识别[44, 45]、人脸表情识别[46, 47]、年龄估计[48, 49]和性别分类[50, 51]等。年龄估计技术作为计算机视觉的一个分支，近年来受到越来越多的关注。
人类从出生到死亡的过程中，其脸部特征发生剧烈的变化。随着年龄的增长，人脸的形状、皮肤的松弛程度、面部的斑点等都有着不同程度的变化。所谓的人脸年龄估计，就是通过提取人脸图像中与年龄相关的特征信息，并采用传统的数学建模或者深度学习技术进行相关处理分析，最终判断人脸图像年龄的技术。
人脸年龄估计的工作开展过程如图 2.1 所示：第一步，年龄特征提取，从给定的人脸图像或者图像序列中提取能够表示年龄变化的特征向量；第二步，模型建立，根据提取到的与年龄相关的特征向量，构建年龄估计模型；第三步，将训练集输入到构建好的年龄估计模型中即可得到年龄预测值，然后使用年龄估计相关评价指标来判定模型的性能。需要注意的是，为了提高年龄估计模型的性能，减少某些因素对模型性能的干扰，研究人员通常会对人脸年龄数据集进行人脸对齐、图像归一化和图像降噪等预处理。
软件工程硕士论文怎么写
年龄估计算法通常从分类和回归两个方面进行分析。一方面由于每个年龄值都可以看作一个类，所以年龄估计可以被看作是一种分类问题；另一方面，年龄值的增长是一个有序数列的不断变化过程，因此年龄估计也可被视为一种回归问题。
........................
2.2 摔倒检测
随着计算机视觉的发展，基于计算机视觉的摔倒检测方法变得越来越流行。通常，使用 2D 几何形状来表征人体，将视频每帧中人体形状的变化转化为几何特征值的变化，通过分析提取到的几何特征值来判断人的摔倒。先前的文献中常用的几何图像表征行人的方法分为：最小外部置信框和近似椭圆。
(1) 最小外部置信框
在过去十几年，研究人员通常使用最小外部置信框来表征行人，通过提取最小外部置信框的特征值来判断行人的行为，提取的特征值通常有置信框的长宽比、质心的倾斜角度或者运动轨迹等。
为了解决在复杂的环境中对于摔倒在家具上人的摔倒情况，Min 等人[63]提出了一种基于场景的人体摔倒检测方法。首先，使用 Faster R-CNN 对场景进行分析，将人和家具进行检测的同时衡量他们之间的空间关系。通过使用最小外部置信框对人体进行拟合，如图 2.3 所示，检测并跟踪检测人的置信框的长宽比，质心，运动速度等运动特征。通过测量这些特征的变化并判断人与附近家具之间的关系，可以精确地检测出是否有人摔倒在家具上。实验结果表明，此方法不仅可以准确有效地检测摔倒在家具上的人，而且可以有效地将一些与摔倒相似的行为进行区分。
(2) 近似椭圆
由于使用近似椭圆形可以更有效地贴合人体的形状，因此近些年来越来越多的学者使用近似椭圆形来表征人体。
为了更好地将基于计算机视觉的摔倒检测技术应用在监测家庭护理，辅助生活中的老年人，近似椭圆被用来对人体进行拟合，并从椭圆形状中获取特征信息[64]。最初，使用单个摄像机覆盖整个房间的整个视野，以视频记录老年人在特定时间段内的日常活动。然后将录制的视频手动分割为包含正常姿势的短视频片段，这些短片用于组成正常数据集。如图 2.4 所示，使用码本背景减法技术从正常数据集中的视频剪辑中提取人体轮廓并收集特征，然后使用支持向量机的方法在特征空间中查找区域，以区分正常的日常姿势和异常的姿势(例如摔倒)。还可以通过使用在线方案来更新生成的支持向量机模型，以适应新出现的正常姿势，并添加某些规则以减少误报率，从而改善摔倒检测性能。从系统的角度来看，这项工作是一种半监督式摔倒检测系统，因为尽管应用了非监督型算法OCSVM，但在分割和选择包含正常姿势的视频片段时需要人工干预。因此这项研究代表了迈向完整无监督摔倒检测系统的一步。
..................................
第 3 章 基于 SSR-S 网络的年龄估计算法 ····················· 16
3.1 卷积神经网络 ······························ 16
3.1.1 CNN 结构 ·································· 17
3.1.2 网络训练 ························· 21
第 4 章 分布式架构下结合运动特征值和 S-CNN 的摔倒检测模型 ················ 29
4.1 分布式模型框架 ······················ 29
4.1.1 基于分级代理的分布式模型框架 ··························· 29
4.1.2 结合年龄估计的分布式摔倒······ 43
5.1 总结 ······························ 43
5.2 进一步工作方向 ······················· 44
第 4 章 分布式架构下结合运动特征值和 S-CNN 的摔倒检测模型
4.1 分布式模型框架
现如今随着科技的发展和摄像头的普及，服务器需要处理的视频呈指数型增长，传统的集中式处理系统在时间效率和可扩展性等方面已经不能满足需求，针对于此问题，许多学者就分布式模型、分布式计算和云计算等领域展开深入的研究。
4.1.1 基于分级代理的分布式模型框架
在社区、商场和医院等室内场所，由于人群数量的激增，视频数量的增多会导致传入服务器的内容过多。为了解决传统的集中式摔倒检测系统时间效率低和可扩展性差等问题，本研究提出了基于分级的分布式模型，如图 4.1 所示，分布式模型主要分为三个部分，即监控设备、一级代理和二级代理。
软件工程硕士论文参考
...........................
第 5 章 总结与展望
5.1 总结
本文从基于计算机视觉和非基于计算机视觉的摔倒检测方法入手，分析了近些年国内外的相关工作，并总结出两点已有工作所存在的问题。(1)现有研究往往忽视对人群摔倒优先级的分析，只关注结果，但不同年龄段人群摔倒造成的后果可能完全不同；(2)现有大多摔倒检测方法均为集中式，无法对重点人群优先进行检测，实时性和可拓展性较差，且缺少预判断机制。
针对问题(1)中无法根据年龄段检测行人摔倒的问题，本文将年龄估计和摔倒检测算法进行有机结合，提出基于 SSR-S 网络的年龄估计算法，通过提取人脸图像与年龄相关的特征，并设计基于回归计算涵盖多粒度年龄预估方法，实现对行人年龄的准确区分。
针对问题(2)中时间效率低，可扩展性差等问题，本文提出分布式架构下结合运动特征值和 S-CNN 的摔倒检测模型。该模型使用椭圆分别对人体的头部和躯干进行拟合，并提取人体运动特征值，依据头部椭圆垂直方向的速度构造摔倒预判断的阈值，实现对 60 岁以下行人的预判断，最后使用 S-CNN 进行更精确的摔倒检测；此外，提出了基于分级代理的分布式模型，并针对此模型提出一种基于年龄估计的优先级调度算法。该算法能够在部分服务器出现拥塞甚至宕机的情况下，根据任务的优先级优先处理重点任务，减少任务的排队延迟，缩短任务执行时间。
本文对以上算法进行了综合实验，部分研究成果已经发表一篇 SCI 期刊论文，一项发明专利被受理。实验结果表明，基于 SSR-S 网络的年龄估计算法 MAE最低可达 7.59。基于运动特征值和 S-CNN 的摔倒检测模型能够有效对摔倒行为和日常行为进行预筛选，实现 0%的摔倒行为的漏检率，基于 S-CNN 的摔倒检测方法准确率可达 90.5%。此外，与传统的集中式模型相比，分布式模型提高了任务处理的时间效率。
参考文献（略）