[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

摘要

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。

主权项

1.一种基于条件生成对抗网络和SVM的婴儿异常行为检测方法，其特征在于，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：maxDV(D，G)＝Ex～pdata(x)[log(D(x))]+Ez～pz(z)[log(1‑D(G(z)))]优化G：minGV(D，G)＝Ez～pz(z)[log(1‑D(G(z)))]其中：V(D,G)表示损失函数；pdata(x)为真实样本分布；pz(z)为伪样本分布；D(x)表示判别器中的真实样本数据；D(G(z))表示判别器中的伪样本数据；E表示求期望；根据优化条件进行模型调参，其中，生成模型G和判别模型D的参数共享；1.3.5若误差太大，则反馈到生成模型的输入，重新构建伪目标数据集，再次判断，直至找到伪目标数据集中的婴儿四肢和全身位置，记录每一帧中婴儿左手、右手、左腿、右腿和全身的位置和运动轨迹；1.4对运动轨迹信息进行分析：对步骤1.3跟踪到的婴儿四肢和全身的运动轨迹，保存运动时的连续y轴坐标变化的位置信息，对y轴坐标位置信息构成的连续变化波形图进行小波近似波形和小波功率谱计算，具体包括下列步骤：1.4.1由于x轴坐标变化并不明显，仅选取y轴坐标变化图进行分析，首先是小波近似波形分析，利用harr小波对已跟踪得到的波形图进行分析，得到小波近似波形图；1.4.2对于四肢和全身的y轴坐标变化图，利用基于小波的功率谱图，求得功率谱信息；1.5对得到的小波近似波形图和小波功率谱图，提取特征向量利用支持向量机SVM进行训练学习，具体包括下列步骤：1.5.1将样本分为正常和异常进行标记，设正常样本标签为1，设异常的样本标签为‑1；1.5.2将样本分为训练集和测试集，对数据进行归一化，通过调整SVM中参数c和g的取值来获得最高的精确度，从而得到最佳的训练模型；1.6综合婴儿异常行为判断：根据步骤1.5.2得到的最佳训练模型，对于不同的精确度设置不同的权重，进行加权判断，具体包括下列步骤：1.6.1对于步骤1.4.1得到的小波近似波形训练出的SVM模型，根据四肢和全身的不同精确度设置不同的权重系数，具体为：左上肢A1：0.35；右上肢A2：0.01；左下肢A3：0.2；右下肢A4：0.35；全身A5：0.09；用Y1到Y5分别表示四肢和全身的判断结果向量，计算公式如下：Y1＝(test label+predict label)/2其中：test label为测试样本的实际标签；predict label为测试样本预测的标签；Y2到Y5的计算方式同上；对于所得到的五个结果向量进行加权，公式如下：Y＝0.35*Y1+0.01*Y2+0.2*Y3+0.35*Y4+0.09*Y5其中：*表示乘法运算，Y即为小波细节所预测的判断值，规定一个判断标准，若‑1<Y<‑0.3,判断婴儿行为为异常状态，若0.3<Y<1,判断婴儿行为为正常状态，其余均视为判断错误状态；1.6.2对于步骤1.4.2得到的小波功率谱训练出的SVM模型，根据对四肢和全身不同的精确度设置不同的权重系数，具体为：左上肢P1：0.35；右上肢P2：0.01；左下肢P3：0.35；右下肢P4：0.2；全身P5：0.09；用X1到X5分别表示四肢和全身的判断结果向量，计算公式如下：X1＝(test label+predict label)/2其中：test label为测试样本的实际标签；predict label为测试样本预测的标签；X2到X5的计算方式同上；对于所得到的五个结果向量进行加权，公式如下：X＝0.35*X1+0.01*X2+0.35*X3+0.2*X4+0.09*X5其中：*表示乘法运算，X即为小波功率谱所预测的判断值，规定一个判断标准，若‑1<X<‑0.3,判断婴儿行为为异常状态，若0.3<X<1,判断婴儿行为为正常状态，其余均视为判断错误状态；对X和Y进行综合判断，若测试样本至少满足X和Y中一个条件，就认为判断结果是正确的，即可分辨出婴儿行为是否正常。