基于深度学习的跌倒行为识别

摘要

随着老龄人口的快速增长,跌倒检测成为医疗健康领域的一个关键问题.准确检测监控视频中的跌倒行为并及时反馈能有效减少老年人因跌倒造成的伤害甚至死亡.针对监控视频中的复杂场景及多种相似性人类行为干扰的情况,文中提出一种改进的FSSD(Feature Fusion Single Shot Multibox Detector)跌倒检测方法.首先,从不同的跌倒视频序列中抽取视频帧形成数据集;然后,将训练样本集输入到改进的FSSD网络中训练直至网络收敛;最后,根据最优化的网络模型测试视频中目标的类别并定位目标.实验结果表明,改进的FSSD算法可以有效检测每帧图像的跌倒或日常生活活动(Activities of Daily Living,ADL)事件并给出实时反馈,检测速度为24 fps(GTX1050Ti),在保证检测精度的同时满足实时性要求.将改进方法与已有最新方法进行比较,结果表明:改进的FSSD算法的性能优于其他算法.视频中跌倒行为的检测进一步验证了基于深度学习的识别方法的可行性与高效性.