老年人異常行為檢測方法研究

溫佳昆

沈陽理工大學 遼寧 沈陽 110000

引言

近年來，隨著人民生活水平的提高以及國內經濟的增長，我國獨居老年人日益增多。獨居家庭將成為我國老年家庭的主要形式[1]。因此，對老年人的異常行為進行監測，使老年人在遇到危險時能夠得到救助，具有重要的研究意義與應用價值。

1 異常行為檢測

1.1 實驗數據樣本的選擇

本文截取了3000個老年人日常行為的圖片作為數據樣本，其中訓練集有2000個，包括了1000個異常行為樣本和1000個正常行為樣本。1000個樣本為測試集，用來檢驗訓練后的網絡模型。

1.2 評價標準

本段提出對異常行為的評價標準來評價實驗檢測結果。我們比較卷積神經網絡模型訓練后得到的結果與樣本標簽結果，用A表示人體的異常行為，用B表示人體的正常行為，用假負性(FB)表示將異常行為誤判為正常行為，用假正性(FA)表示將正常行為誤判為異常行為，真負性(TB)表示將實際沒有異常行為的樣本判定為沒有異常行為，真正性(TA)表示將異常行為的樣本判斷為異常行為。由此將漏警率、錯誤率以及準確率分別表示為：

1.3 卷積核的選取

卷積核（又稱濾波器）的選擇與圖像特征的提取有關。在網絡層數為6層的條件下，分別訓練卷積核大小為 3×3、5×5、7×7、9×9、11×11的卷積神經網絡，并通過分析采用不同卷積核大小時的漏警率、錯誤率來選擇卷積核最佳的大小。經過實驗發現，當卷積核大小為3×3時，漏警率為12.361%；當卷積核大小為5×5時，漏警率為2.743%，誤檢率只有5.7412%，達到了最低的情況，說明此時的檢測效果最為理想。從漏警率、錯誤率可以看出當卷積核大小5×5時，卷積核提取到的特征效果最好，漏警率和錯誤率較低。

分類的效率和效果受到卷積核數量的影響。若卷積核的個數太多會降低提取速度，如果卷積核的個數太少會造成提取到的圖像的特征信息不足。經過實驗證明在卷積核的大小為5×5，數量為6的情況下，卷積神經網絡迅速擬合與收斂，有著良好的識別速度，從而獲得較高的人體的異常行為識別率[2]。

1.4 激活函數的選擇

Sigmoid函數的輸出沒有稀疏性，需要增加懲罰因子訓練冗余數據來獲得稀疏數據。而ReLU函數是一個取最大值的函數，如果輸入是正值就不改變原來的值，如果輸入是負值就會輸出0，同一時間只有部分神經元被激活，可以實現網絡模型的稀疏。然而，使用 ReLU激活函數時會導致死亡Relu問題。經過實驗發現將Sigmoid和ReLU兩個函數同時作用在網絡當中效果更好，可以得到更好的識別速度和識別效果，

2 實驗方法結果分析

2.1 訓練結果

本文采用2000個老年人行為的圖片用于實驗的訓練集。然后用1000個測試集用來評估模最終模型的泛化能力。圖1表示最終的測試結果，在正常情況下對老年人的異常行為檢測精準度為 95.16%。

圖1 行為分類結果圖

2.2 性能比較與分析

本節通過實驗將改進的lenet模型和svm算法對人體異常行為檢測的準確率進行分析和對比，改進的lenet模型識別的準確率達到了95.16%，遠遠超過了svm算法91.85%的準確率。具有良好的識別效果[3]。

3 結束語

本文改進了經典的卷積神經網絡模型lenet對老年人異常行為進行檢測。通過實驗可以看出，改進后的lenet模型識別老人的異常行為的準確率高達95.16%，與SVM相比，改進后的模型的更加高效、快捷。