[发明专利]基于条件生成对抗网络和SVM的婴儿异常行为检测方法

说明书

基于条件生成对抗网络和SVM的婴儿异常行为检测方法属视频图像处理和深度学习技术领域，本发明通过对视频中婴儿运动轨迹进行分析判断婴儿行为是否异常，首先获取婴儿视频，进行合理长度的截取并转化为帧图像，对四肢和全身进行标记建立样本库；然后利用条件生成对抗网络对婴儿的四肢和全身进行目标跟踪；再对得到的目标运动轨迹进行小波近似波形和小波功率谱计算，将得到的特征用支持向量机SVM进行分类，综合判断；本发明对婴儿四肢和全身信息进行运动轨迹检测，比单一肢体检测信息更全面，小波域和功率谱域结合训练，使检测精确度提高，检测婴儿行为是否异常，及早进行干预，对预防婴儿脑瘫等疾病有很重要的意义。

技术领域

本发明属视频图像处理和深度学习技术领域，具体涉及一种基于条件生成对抗网络和SVM的婴儿异常行为检测方法。

背景技术

婴儿异常行为主要是指出生五个月内，行动未见到遍布全身的加速度可变的各方向的小幅度中速运动，于年龄相适应的其他运动形式(如四肢中线运动、手膝相触、视觉搜索、手指抓弄衣服等)缺乏，整体运动流畅性欠佳。婴儿的异常行为对应着脑部有损伤，严重者可能导致脑瘫的发生，由于脑瘫疾病通常在孩子一岁至两岁后才能确诊，因此，研究早期婴儿异常行为检测并及时进行干预治疗有很强的现实意义。

针对这一问题，研究人员已经提出了一些婴儿异常行为检测的方法，大致可分为三种类型：全身运动质量评估，穿戴式传感器评估，结合模式识别评估。第一种方法是对婴儿采用特定的录像方式，对录像结果利用全身运动质量评估准则判断行为是否异常，这种方式主要依靠观察，有一定的主观性。第二种方法是给婴儿穿戴传感器设备从而观察参数，但这种穿戴式方法本身对婴儿的运动就会产生一定的干扰，造成预测结果的不准确。第三种方法是利用计算机提取婴儿运动特征进行模式识别分析，这种方法不会对婴儿运动造成干扰并且具有客观性，但在提取运动特征以及识别的过程中，往往只对有限个身体部位进行了观察，没有全身整体运动的分析，具有一定的特异性。

由于以上算法的缺陷，在实际应用中很难取得理想的效果，故有必要改进。

发明内容

本发明的目的在于提供一种基于条件生成对抗网络CGAN的婴儿异常行为检测方法，结合有监督的SVM分类方法，提高婴儿异常行为检测的准确率。

一种基于条件生成对抗网络和SVM的婴儿异常行为检测方法，提前构建目标跟踪所需的训练样本库，利用条件生成对抗网络对婴儿四肢及全身进行目标跟踪，所述训练样本库包括婴儿标记的四肢和全身，利用小波近似波形和小波功率谱分析对运动轨迹信息进行提取，再由支持向量机SVM对其特征进行分类，包括下列步骤：

1.1获取婴儿视频并进行统一预处理；

1.2将步骤1.1的婴儿视频进行15s为一份的截取，并进行统一命名，将转化为帧的图像也进行统一命名；

1.3婴儿运动轨迹跟踪：对步骤1.2获取到的帧图像，利用条件生成对抗网络CGAN分别对婴儿的四肢和全身整体运动轨迹进行跟踪，具体包括以下步骤：

1.3.1构建目标跟踪所需的训练样本库：对步骤1.2中所获得的帧图像中婴儿的左手、右手、左腿、右腿和全身整体进行标记，带有标记的婴儿四肢和全身部位构成训练样本库，作为输入CGAN的目标数据集，相应的标签作为条件Y；

1.3.2生成模型设计：将每一帧包含婴儿的图像进行随机分割，作为伪目标数据集，然后和条件Y一起通过卷积层输入判别模型器中；

1.3.3判别模型设计：将目标数据集和条件Y送入判别模型进行四肢和全身的判断，再将伪目标数据集送入判别器，判断是否为目标；

1.3.4判别是否是目标，计算误差，使误差符合公式，具体公式如下：

优化D：