基于多算法融合的跌倒行为识别

提出一种多算法融合的跌倒行为识别算法。首先,针对人体目标的特征对YOLOv3 tiny检测算法进行改进,有效框定人体动态目标区域,提取出目标前景;在此基础上利用AlphaPose姿态识别框架识别出人体骨骼关键点,得到人体主要关节图;最后以人体关节图坐标信息为输入,通过时空图卷积神经网络对跌倒等动作进行检测识别,满足对不同场景跌倒的有效检测。实验结果表明:融合算法改善了不同场景下跌倒行为的检测效果,检测的准确率可达到97.4%,并有效降低了误检率。

基于双向循环神经网络的跌倒行为识别

针对基于三维人体特征点识别跌倒行为需要专用相机设备的问题,提出一种基于二维人体特征点的跌倒行为识别方法。不需专用的相机设备支持,使用开源的计算机视觉库从RGB视频帧提取二维特征点,双向循环神经网络对特征序列进行识别,使用门控循环单元作为循环神经网络的循环单元,变分丢弃法作为网络的正则化项。实验结果表明,与新的跌倒专用数据集CMDFALL的基准算法相比,该方法在节省成本的同时提高了精度。

基于智能手机的跌倒行为识别算法研究

利用智能手机的感知和计算能力,对跌倒行为识别算法进行研究。分析使用多特征传感器识别跌倒行为的必要性,并根据传感器对跌倒行为敏感程度的不同,提出基于主成分分析的多特征选择方法。针对传统K-means算法不能反映数据分布差异的问题,设计基于相对熵的跌倒行为识别算法,利用数据集分布距离进行跌倒行为识别。在真实环境下采集跌倒行为数据对算法性能进行评估,结果表明该算法能较好地识别跌倒行为,识别准确率高达96. 7%。

基于Kinect的跌倒行为识别算法

根据人体跌倒时的骨架特征,提出了一种人体跌倒行为识别方法.首先,依据跌倒行为的定义,将人体的头部和重心节点作为表征跌倒行为的特征参数,通过Kinect传感器获取人体骨架信息;其次,采用滑动窗口和阈值方法确定行为的发生阶段,并提取其运动特征向量;最后,通过人工神经网络对本文提取的跌倒行为特征进行训练和识别.实验结果表明,本文提出的方法高效准确,识别率达到90.5%.

基于CNN和LSTM混合模型的人体跌倒行为研究

目前深度学习模型不能较好地把监控视频中跌倒行为的空间和时序特征有效结合起来。为此,提出基于CNN(convolutional neural network)和LSTM(long-short term memory)混合模型的人体跌倒行为识别方法。该模型采用两层结构,将视频以每5帧为一组输入到网络中,CNN提取视频序列的空间特征,LSTM提取视频时间维度上的特征,最后使用softmax分类器进行识别。实验表明,该方法可以有效提高跌倒识别的准确率。