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。

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Kinect骨架追踪的人体摔倒自动检测

为准确、迅捷地检测到独居老年人意外摔倒事件,最大程度降低因摔倒而造成的老年人意外死亡和伤害风险,利用Kinect检测设备和骨架追踪技术,选取人体头、左肩、右肩、左髋、右髋、两髋中心6个骨架点,实时计算这6个骨架点的空间位置、相对位置、运动速度和停留时间等参数,用以判定人体摔倒事件,并能较准确地辨别坐下、蹲下和捡拾物品等非摔倒动作,降低误判率.实验结果表明:采用该检测方法能实现人体摔倒的自动实时检测,人体摔倒的误判率为7%;采用骨架追踪技术,监控过程中可以保护老年用户隐私;检测系统不依赖可见光,可进行24h实时检测,为意外摔倒老人的及时安全救助提供了保障.

基于轮廓关键点和LSTM的摔倒检测方法

针对传统人体摔倒检测方法误检率高、无法有效结合时序特征等问题,提出一种新的人体轮廓关键点提取方法,并将该方法和LSTM网络相结合构建一种新的摔倒检测模型。该模型对视频中的人体进行轮廓检测,选取轮廓关键点坐标和质心坐标作为人体特征;使用LSTM对人体特征序列进行时序特征提取;用全连接层实现分类。在公开数据集上进行实验,结果表明该模型具有较高的准确率和良好的泛化性。