基于姿态估计的粮仓作业人员摔倒检测研究

近些年时常发生粮仓作业人员因意外跌入粮堆无法自救、熏蒸作业中毒晕倒等安全问题。为了及时获取有效信息,减少对工人的伤害,提出一种自下而上的人体姿态估计方法,建立对粮仓工作人员状态检测模型。首先制作不同角度的粮仓作业视频和摔倒状态公共数据集;接着改进轻量级OpenPose算法,数据集引入算法生成骨骼图像;最后设计摔倒检测算法,得到一种基于姿态估计的粮仓作业人员摔倒检测模型。实验结果表明,检测摔倒状态准确率有所提高,轻量级OpenPose算法计算量较少,内存占用小,可以实时地检测粮仓作业人员摔倒状态。

基于STM32的老人摔倒检测系统的设计

设计了一个基于STM32的老人摔倒检测系统用于检测老年人摔倒。充分考虑了摔倒检测设备的便携性,提供了详细的软硬件构建方案。采用STM32F103RCT6单片机为平台,MPU6050作为获取运动参数的传感器。通过卫星导航模块检测老年人位置信息,传感器模块获取老年人的姿态信息,微控制器对数据进行特征处理,通过和设定的阈值进行比较来确定是否符合摔倒特征。符合摔倒特征则向紧急联系人手机端发送报警信息。测试表明,所设计的系统具有便于携带、定位精准、识别率高的特点。

基于深度学习的老人摔倒检测设计

老年人摔倒而未被及时发现已经成为危害老人生命安全的一个重大因素。随着我国老年人的生命安全保障问题越来越被重视,为了及时发现老人在家摔倒从而能尽早得到救治,提出了一种基于改进的YOLOv5目标检测算法的老人摔倒识别检测设计。通过实验证明,该设计提升了算法识别精度,降低了漏检频率,使得其具有更好的识别检查功能。

基于改进YOLOv7的滑雪摔倒检测

针对目前滑雪场内滑雪人员摔倒检测存在的问题,提出一种基于YOLOv7的目标改进模型。对于检测模型部署在巡逻机器人上致使计算资源受限的问题,在主干网络中引入Ghost模型并在颈部引入GSConv降低模型参数;同时,引入基于并行可变形卷积的注意力机制模块(Parallel Deformable Attention Conv,PDAC)增强模型的精度。改进后的模型相较于原模型在参数上降低了21.6%,GFLOPs降低了27.7%,所需要的计算资源也大大降低。

联合信息增强和特征融合的人体摔倒检测算法

为了提高多场景下人体摔倒姿势的实时检测能力,提出了一种基于信息增强模块和注意力特征融合的YOLOv7-tiny目标检测改进算法。首先,针对重要区域特征信息的敏感度欠缺问题,在主干网络嵌入对比感知全局信息增强模块,可有效学习特征权重,增强网络对人体姿势的判别能力;其次,为有效利用上下文信息,引入了一种密集坐标注意力特征融合结构,在通道维度上融合浅层和深层语义信息,保留有用特征信息的位置权重,促进网络对人体姿势信息的充分表达。最后,在人体摔倒姿势数据集上对所提算法进行验证。实验结果表明所提算法的平均检测精度达到了77%,较基线网络提高了3.7%,有效改善了人体摔倒行为检测的识别能力。同时,在学生课堂行为数据集SCB1、SCB2和PASCAL VOC测试集上对所提算法进行验证,其平均检测精度较基线网络分别提高了0.6%、0.5%和2.1%,验证了算法的通用性。

基于深度学习的毫米波雷达人体摔倒检测系统研究

针对现有摔倒检测系统难以完成全天时检测、存在侵犯被检测人隐私的问题,该文设计了一种基于深度学习的毫米波雷达人体摔倒检测系统,包括信号采集、训练数据生成、智能检测和显示与告警四个部分。该系统利用1642毫米波雷达采集数据,对数据进行短时傅里叶变换,经数据增强后构建时频图数据集,通过ResNet101网络进行动作检测。检测为摔倒动作后,向远程接收端发送报警信息。该系统能够检测摔倒、弯腰、下蹲三种动作。实测结果表明,检测准确率为94.3%。

自适应双光融合人体摔倒检测方法研究

针对基于可见光图像的人体摔倒检测方法在光照变化情况下性能不佳,无法满足全天候工况的问题,提出一种适用于变化光照条件下全天候工况的双光融合人体摔倒检测方法。首先利用Sobel算子提取可见光图像的边缘特征,通过非线性灰度变换增强红外图像的对比度;同时,将可见光图像从RGB空间转换到HSI空间并根据归一化亮度进行自适应双光融合;最后,将融合的双光图像作为CenterNet检测器的输入样本,完成人体姿态检测任务。在自建双光数据集上开展验证实验,自适应光照融合策略在SSIM指标上达到了0.77,在MI指标上达到了1.21。在CenterNet检测模型上融合后,平均检测精度mAP提升了9.71%。实验结果证明了方法的有效性。

结合改进Alphapose和GCN的人体摔倒检测模型研究

为改进当前人体摔倒检测方法场景适应能力弱、易误检等不足,提出了一种基于人体骨骼关键点和GCN结合的人体摔倒检测模型。在CrownHuman、COCO2017、Le2i等数据集上进行对比试验,试验结果表明优化后的YOLOX人体目标检测算法的平均准确率达到了50.66%,较YOLOv3、YOLOv5提高了9.83%和3.97%。人体姿态估计算法的平均准确率达到了71.6%,优于OpenPose、Mask-RCNN等方法。基于图卷积的人体摔倒检测算法准确率达到92.2%,高于YOLOv5-S+pose等方法。一系列的试验结果表明,所提出的摔倒检测方法具有较高的检测精度。

融合多特征与语义图卷积网络的摔倒检测方法

摔倒事件严重影响老年人的生命健康,对摔倒行为进行检测可以降低老年人再次跌倒的风险,从而保证其生活能力以及提高生活质量。目前基于视觉的摔倒检测方法在实验数据集上能够取得较好的精度,但是无法很好地泛化到现实环境中,在实际应用时往往并不符合动作判断逻辑。针对该问题,对比光流法以及基于人体姿态估计的方法,在2D人体姿态估计的基础上提出一种鲁棒的摔倒检测方法。设计一种摔倒检测优化框架,构建融合多特征与语义图卷积的检测模型,采用更贴合动作判断逻辑的训练策略对该模型进行训练,以提高摔倒检测系统在现实环境中的泛化性。在Le2i Fall Detection Dataset、UP Fall Detection Dataset和Multiple Cameras Fall Detection Dataset这3个公开数据集以及自收集数据集上进行实验,结果表明,该模型的总体检测准确率达到98.3%,基于所提优化框架与训练策略的模型配合YOLOv3和Alpha_pose实现的整体摔倒检测方法在GTX1060显卡中帧率达到约25FPS,在现实场景测试中体现出较好的鲁棒性,相较以往的基于视觉的检测方法更适合部署在实际应用环境中。

基于F-Faster-RCNN算法的摔倒检测研究

提出一种基于特征金字塔(FPN)结构的快速卷积神经网络(F-Faster-RCNN)的摔倒检测模型,采用F-Faster-RCNN目标检测网络结合多目标跟踪算法Deepsort实现运动目标跟踪;采用3D卷积神经网络和支持向量机(SVM)分类算法实现老人摔倒行为的判别。F-Faster-RCNN算法以残差网络为主干网络,加深了网络层次;以FPN结构逐层提取特征,实现深浅层特征的融合;结合遗传算法改进SVM的参数调优过程,避免了局部最优解。经仿真验证,基于F-Faster-RCNN目标检测模型损失率可降低到2.2%,摔倒检测平均准确率达到84.4%。

助行器智能转弯意图感知和摔倒检测

目的提高助行器智能抗摔倒功能,加强安全保障。方法在助行器两侧手柄上放置压力传感器,手动标注对应的运行意图标签,使用支持向量机(SVM)分类器进行模型预测,预测助行器的行驶意图,得到混淆矩阵。在使用者腰部佩带陀螺仪,助行器上安装激光传感器,通过陀螺仪检测角速度和角加速度,激光传感器测量距离,两者结合检测使用者摔倒情况。结果SVM建立的分类器模型能成功预测助行器的直行、左转和右转3种状态。当合角速度>100°/s、合角加速度>1.3 G、Z轴角加速度>0.7 G或<0.2 G、距离>600 mm或<300 mm,提示使用者摔倒。结论本研究设计的助行器可以感知使用者的转弯意图,并检测使用者摔倒情况。

基于域自适应网络的跨场景摔倒检测算法研究

目前,基于信道状态信息(Channel State Information,CSI)的室内摔倒检测(Fall Detection,FD)系统已被证明拥有巨大潜力,但是,不同室内布局带来的多径效应的差异往往使其无法实现跨场景使用。因此,该文提出了DA-Fall(Domain-adaptive Fall),通过结合两种自适应策略的域自适应方法来改进未标记噪声信号的泛化,从而提高对目标域的检测精度。在提出的摔倒检测系统中,引入了域鉴别器和域混淆自适应层来进行对抗性训练。首先,该算法通过引入依赖于相对值的相对鉴别器来优化对抗训练,从而更好地反映域间差异。其次,将基于多核架构的最大均值差异(Multiple Kernel Maximum Mean Difference,MK-MMD)作为域对抗损失的正则化项,进一步减小域间的边缘分布距离。实验分析表明,DA-Fall取得了比WiFall,RT-Fall,SignGAN更好的效果,在原场景与新场景中分别达到了96.83%和91.03%的检测精度。

改进YOLOv5的人体摔倒检测

摔倒是影响老人生命安全的重要问题之一,为提高检测准确率,将YOLOv5模型应用于摔倒检测并做了改进。首先,用K-means聚类算法得到更符合目标形态的anchor长宽比例,使边界框更精确,提高摔倒检测准确率。其次,用EIoU损失函数替换CIoU损失函数,加快收敛速度,使目标定位更准确。实验结果表明,改进后的YOLOv5模型检测效果较好,准确率达到99.1%,mAP值达到99.3%,能够更好地满足摔倒检测的要求。

基于OpenPose改进的老人摔倒检测算法

为避免老人摔倒后未能及时提供医疗援助而造成的人身伤害,研究发现老人摔倒并及时发出警告,可减少老人摔倒的损失和严重后果。为了提高老人摔倒检测算法的检测精度和实时性能,提出了一种基于OpenPose改进的老人摔倒检测算法。该算法在OpenPose人体骨架信息识别网络的基础上,提出将其部分卷积层替换为深度可分离卷积神经网络类型。该算法使用长短期记忆神经网络来检测老人的摔倒。从URFall公共数据集提取跌倒和相关行为数据,丰富自制数据集,实验结果表明,本文改进后算法大大提升了系统判别摔倒的识别精度。

基于改进Alphapose的红外图像人体摔倒检测算法

红外图像中的人体摔倒检测不受环境光照射的影响,在智能安防领域有着重要的研究意义和应用价值。现有的摔倒检测方法没有充分考虑人体关键点的位置变化规律,容易对类摔倒动作造成误检。针对这一问题,本文提出一种基于改进Alphapose的红外图像摔倒检测算法。该算法使用Yolo v5s目标检测网络,在提取人体目标框输入姿态估计网络的同时,对人体姿态进行直接分类,再结合人体骨架关键点的位置信息和姿态特征进行判断。通过实验证明,该算法在准确度和实时性方面都有良好的表现。

基于MEMS三轴加速度传感器的摔倒检测

摔倒作为人体活动的一部分,是影响人体健康的一大因素,尤其对病人和老年人而言,摔倒检测至关重要。基于MEMS三轴加速度传感器采集的人体活动加速度信号,提出了一种基于固定阈值的信号幅度向量滑动平均法SVMSA。该方法根据人体活动时的加速度信号特征,利用预先设定的阈值对加速度信号幅度向量SVM的滑动平均SVMSA进行判决,同时使用差分信号幅度域DSMA区分快速跑步等剧烈运动,准确实现了人体的摔倒检测。主要优势在于分析并区别了人体快速跑步等剧烈运动对摔倒检测的影响。通过对8位实验者的测试,该算法实现了94.4%的精确度。实验表明该算法能够较为准确地实现人体的摔倒检测。

基于三轴加速度传感器的老年人摔倒检测系统

为解决老年人摔倒检测中的检测精度和检测设备功耗高的难题,设计了基于三轴加速度传感器的老年人摔倒检测系统。采用MEMS三轴加速度传感器和低功耗单片机完成人体三轴加速度数据的采集和处理,以满足低功耗要求;并建立基于三轴加速度信息的摔倒检测阈值点判断算法,并对关键参数进行确定,以提高检测算法精度。通过仿真老年人日常行为动作和多种摔倒行为,获取到全面有效实验数据,采用阈值点摔倒检测算法进行验证。摔倒准确率为93.96%,说明系统可以有效地对老年人摔倒行为作出检测,实现低功耗长时间工作。

基于多传感器融合的摔倒检测算法的研究

针对传统摔倒检测算法中误报和漏报率高的不足,提出一种基于多传感器融合的摔倒检测算法;该算法分别以人体的加速度和姿态角值为判定依据;首先,采用三轴加速度传感器和电子罗盘对上述两种数据进行采集,并通过无线模块发送至PC机;之后对采集数据进行分析和处理,进而根据阈值进行异常姿态检测;最终,综合加速度和姿态角的分析结果给出准确的检测结论;实验结果表明,该算法检测的准确率达99.2%、与传统检测算法相比具有更强的稳定性与可靠性。

基于FPGA的视频监控摔倒检测报警系统

当空巢老人独自居住发生摔倒事件时,如果长时间没有得到救助的话,伤害比较严重。为了快速获得老人摔倒信息,使其得到及时救助,设计和实现了结合家居照明灯并基于现场可编程门阵列(FPGA)的视频监控摔倒检测报警系统。通过帧间差分法提取出运动目标,结合人体高宽比和有效面积比2个条件进行摔倒判定,最后用人体中心变化对判定结果进行修正。当摔倒发生时触发声光报警定位老人摔倒的房间,并结合通用分组无线业务(GPRS)通信网络通知老人亲属及社区服务站,及时展开救助。经试验表明,系统帧处理速度为24.86fps,平均报警响应时间为0.51s,满足实时性要求;摔倒检测准确率达到96%,误报率低。

基于双目标定的独居老人摔倒检测算法

独居老人摔倒已成为一个备受关注的问题。为快速有效获取摔倒信息从而使老人得到及时救助,提出一种基于双目标定的独居老人摔倒检测算法。该算法通过色彩不变性分割前景目标(老人),采用双目视觉标定计算人体在三维坐标中高度作为特征信息,能够有效区分易混淆动作,防止误判,提高检测准确率。实验结果表明:该算法易于实现,具有较好的鲁棒性和实时性。