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。

研究表明跌倒是我国老年人伤害的主要原因，缩短跌倒到救治的时间能降低跌倒造成的伤害。为此，室内老年人跌倒检测需求逐年增加。红外传感器具有受光照影响小，保护隐私等优点，越来越广泛地应用于室内人体跌倒检测中。然而，由于红外图像存在分辨率低、信噪比差等缺陷，导致传统方法的检测精度较低。针对这个问题，本文提出一种基于逆向投影算法的室内人体跌倒检测方法。首先，通过人体温度计算出人体与传感器之间的距离；其次，结合图像信息，逆推出人体在真实世界的高度；最后，对获取的人体真实高度数据进行平滑处理，并根据其变化情况进行跌倒检测。实验结果表明，本文所提方法的检测准确率达到 98.57%，优于传统非逆向投影方法，其性能完全可以应用于实际检测中。

为提高传统跌倒检测系统的识别准确率, 降低识别时间, 提出了一种新型跌倒检测模型。以Kinect V2深度视觉传感器获取的骨骼节点为样本数据源, 由改进型K-means算法计算聚类中心点, 并在此基础上提取跌倒检测特征数据。将特征数据重构成5×5训练样本数据后, 输入所设计的卷积神经网络模型进行训练学习, 得到优化的跌倒检测模型参数。实验表明, 所设计的新型检测模型相对于传统检测跌倒算法具有更高的识别准确率和更快的运算速度, 保证了系统的实时性和鲁棒性要求。

提出了一种基于卷积神经网络和XGBoost的摔倒检测算法。采用基于squeeze-and-excitation模块的YOLO-v3算法对图片进行人体区域检测,在此基础上使用人体姿态估计网络获取人体关节点并提取出特征向量,再将其输入XGBoost进行训练,进而判断人体是否摔倒。实验结果表明,所提出的摔倒检测算法准确率较高,达到98.3%。

研究表明跌倒是我国老年人伤害的主要原因，而且超过一半的跌倒发生在家中。如果我们能及时发现老人跌倒并进行有效处理，就会降低跌倒对老人的伤害。因此为了检测老年人室内跌倒行为，本文从低分辨率的红外图像中，提取出4 种对跌倒敏感的特征，同时使用K 近邻算法进行分类来判断是否发生跌倒。另外，本文还设计了一套基于该算法的老年人跌倒检测系统，它具有保护隐私、准确度高、安装方便的优点。最后通过实验测试表明该跌倒检测算法的准确率高达91.25%。

实时跌倒检测能有效降低老人因跌倒导致的身心伤害, 提高老人的独居能力和健康水平。为提高基于惯性传感器的跌倒检测系统的准确率, 降低系统误报率和漏报率, 提出了应用基于径向基函数的支持向量机算法实现跌倒判定。首先, 应用佩戴在人体腰间的便携式跌倒检测系统完成数据的采集; 然后, 利用基于径向基函数(RBF)的SVM分类器标记疑似跌倒行为, 并利用粒子群算法完成分类算法中惩罚因子C和RBF参数g的优化。结果表明, 在区分跌倒与类似跌倒的日常活动时, 基于SVM算法的跌倒检测系统准确率、误报率和漏报率分别为97.67%, 4.0%和0.67%。与传统的阈值方法相比, 跌倒检测性能有很大提高, 从而加强了该系统在老人跌倒检测中的应用。