[发明专利]基于隐私保护类GAN特征增强的居家视频跌倒检测方法

权利要求书

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,γ0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。

5.根据权利要求4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：所述步骤4-2中的损失计算表达为：

L_S＝E[log P(S＝real|X_real)]+E[log P(S＝fake|X_{fake_cs})]

L_C＝E[log P(C＝cs|X_real)]+E[log P(C＝cs|X_{fake_cs})]

其中L_S表示真实样本对应的损失函数，L_C表示样本对应正确类别的损失函数，X_real表示原始视频数据，S表示原始数据的类别标签，C表示经过多层压缩感知处理以后的数据的类别标签，X_{fake_cs}表示生成器G补偿以后的数据，P(S|X)，P(C|X)分别表示原始数据的概率分布和类标签上的概率分布。