论文部分内容阅读
摔倒是老年人意外死亡的首要原因，摔倒行为检测在维护老年人生命安全方面有着重要应用价值。本文以研究人体摔倒检测为主要方向，基于计算机视觉，将目前主流的深度学习方法用于监控视频下的人体摔倒行为建模和检测，主要完成以下工作：
1）对现有的三种人体摔倒检测法：可穿戴设备法、环境感知法和计算机视觉法进行研究对比，分析不同方法的研究现状、优缺点和适用场景。
2）提出了基于人体轮廓关键点和LSTM(Long Short-Term Memory)相结合的人体摔倒检测模型。该模型基于人体质心提出了一种新的轮廓关键点提取方法，通过提取30个轮廓关键点坐标结合质心坐标作为人体特征，连续检测多帧图像得到人体特征序列，然后将特征序列分为x和y两种坐标值序列，分别输入两个LSTM神经网络进行时序特征提取，最后将两个LSTM隐层输出合并后输入一个全连接网络分类，实现摔倒检测建模。在公开数据集MuHAVi-MAS14进行实验，人体摔倒识别率达到99%以上，并在该数据集上进行了多种行为识别，识别率达到90%以上，验证了模型的有效性。
3）提出了基于人体骨骼关键点和LSTM相结合的人体摔倒检测模型。该模型采用Alphapose骨骼模型对视频中人体进行骨骼关键点检测，通过LSTM对骨骼关键点序列提取时序特征，最终通过全连接层进行分类，实现摔倒检测。使用公开数据集MuHAVi-MAS17、Le2i和MCFD进行实验，摔倒检测识别率分别达到了92%、99%和92%，结果表明，该模型对多视角、多场景和多姿势摔倒均具有良好的普适性。
4）提出了基于YOLOv3和轻量化卷积神经网络的摔倒检测模型。该模型首先使用YOLOv3对连续多帧图片进行人体检测，之后使用MobileNetv3网络对检测到的人体提取特征，接着对多帧连续特征向量进行融合，最后通过全连接层实现分类。评估实验在公开数据集Le2i和MCFD上进行，摔倒检测识别率分别达到了98%和95%，结果表明该模型具有较高识别率和良好的综合性能。
1）对现有的三种人体摔倒检测法：可穿戴设备法、环境感知法和计算机视觉法进行研究对比，分析不同方法的研究现状、优缺点和适用场景。
2）提出了基于人体轮廓关键点和LSTM(Long Short-Term Memory)相结合的人体摔倒检测模型。该模型基于人体质心提出了一种新的轮廓关键点提取方法，通过提取30个轮廓关键点坐标结合质心坐标作为人体特征，连续检测多帧图像得到人体特征序列，然后将特征序列分为x和y两种坐标值序列，分别输入两个LSTM神经网络进行时序特征提取，最后将两个LSTM隐层输出合并后输入一个全连接网络分类，实现摔倒检测建模。在公开数据集MuHAVi-MAS14进行实验，人体摔倒识别率达到99%以上，并在该数据集上进行了多种行为识别，识别率达到90%以上，验证了模型的有效性。
3）提出了基于人体骨骼关键点和LSTM相结合的人体摔倒检测模型。该模型采用Alphapose骨骼模型对视频中人体进行骨骼关键点检测，通过LSTM对骨骼关键点序列提取时序特征，最终通过全连接层进行分类，实现摔倒检测。使用公开数据集MuHAVi-MAS17、Le2i和MCFD进行实验，摔倒检测识别率分别达到了92%、99%和92%，结果表明，该模型对多视角、多场景和多姿势摔倒均具有良好的普适性。
4）提出了基于YOLOv3和轻量化卷积神经网络的摔倒检测模型。该模型首先使用YOLOv3对连续多帧图片进行人体检测，之后使用MobileNetv3网络对检测到的人体提取特征，接着对多帧连续特征向量进行融合，最后通过全连接层实现分类。评估实验在公开数据集Le2i和MCFD上进行，摔倒检测识别率分别达到了98%和95%，结果表明该模型具有较高识别率和良好的综合性能。