基于现有的一些人体摔倒检测模型实现复杂,适用性差等缺点,本文提出了一种新的更加简便,适用性更强的人体摔倒检测模型。该模型是一种基于GRU神经网络和人体骨骼关键点的人体摔倒检测模型。该模型中,先通过Alphapose对每一帧图像进行人...基于现有的一些人体摔倒检测模型实现复杂,适用性差等缺点,本文提出了一种新的更加简便,适用性更强的人体摔倒检测模型。该模型是一种基于GRU神经网络和人体骨骼关键点的人体摔倒检测模型。该模型中,先通过Alphapose对每一帧图像进行人体骨骼关键点识别与检测,然后将得到的骨骼关键点数据进行归一化数据处理,再分组输入到GRU神经网络中进行时序特征提取,最后将GRU模型中隐含层的输出向量输入到全连接层进行处理并得出检测结果。本文使用的是UR Fall Detection Dataset热舒夫大学摔倒数据集进行测试实验,并与多种检测模型的实验性能进行了横向对比。实验结果表明本文的模型在多场景,多视角和多种摔倒姿势等情况下较其他模型都有较高的检测精度,且实现难度较其他模型而言要低。展开更多
文摘基于现有的一些人体摔倒检测模型实现复杂,适用性差等缺点,本文提出了一种新的更加简便,适用性更强的人体摔倒检测模型。该模型是一种基于GRU神经网络和人体骨骼关键点的人体摔倒检测模型。该模型中,先通过Alphapose对每一帧图像进行人体骨骼关键点识别与检测,然后将得到的骨骼关键点数据进行归一化数据处理,再分组输入到GRU神经网络中进行时序特征提取,最后将GRU模型中隐含层的输出向量输入到全连接层进行处理并得出检测结果。本文使用的是UR Fall Detection Dataset热舒夫大学摔倒数据集进行测试实验,并与多种检测模型的实验性能进行了横向对比。实验结果表明本文的模型在多场景,多视角和多种摔倒姿势等情况下较其他模型都有较高的检测精度,且实现难度较其他模型而言要低。