计算机竞赛基于图像识别的跌倒检测算法

前言

🔥 优质竞赛项目系列，今天要分享的是

基于图像识别的跌倒检测算法

该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！

🧿 更多资料, 项目分享：

https://gitee.com/dancheng-senior/postgraduate

背景和意义

在美国，每年在65岁以上老人中，平均每3人中就有1人发生意外跌倒，每年大约有9500位老年人死于旅行途中或跌倒；而平均年龄在65岁至69岁之间的人每200次跌倒中就有一次髋关节骨折。更严重的是，20%到30%的患者会出现中度到严重的并发症，很可能导致残疾。

而在中国，老年人口已经突破2.5亿，按照30%概览推算，每年有7500万人次的老年人摔倒。

1 实现方法

实现方法有两种，一种是基于计算机视觉的，一种是基于惯性传感器器件的。

这次主要还是介绍基于计算机视觉的，想了解或学习基于惯性传感器器件跌倒检测的同学联系学长，学长安排博客。

传统机器视觉算法

传统背景差分法，结合OpenCV中的图像高斯平滑预处理以及腐蚀、膨胀图像形态学处理方法，实现一个更符合实际场景需要的运动目标检测方法。实验效果比较分析表明，该目标检测算法较传统目标检测算法能够提取更加准确和完整的运动目标轮廓。
在这里插入图片描述

检测效果如下：
在这里插入图片描述

在这里插入图片描述

背景差分法利用当前待处理视频帧图像与已经建模好的背景图像进行差分运算，利用阈值处理减少图像中的噪声干扰。优点是计算简单，且可以解决帧间差分法检测空洞的问题，得到的轮廓比较完整；
缺点是对于动态场景的适应能力不强，对光照变化、外来无关事物影响比较敏感。

基于机器学习的跌倒检测

人体行为辨识属于模式识别的分类决策的阶段，主要通过提取表征人体运动行为的特征向量，进而对人体的行为进行分析分类，最终用自然语言对其进行描述。有两种比较常见的方法：

（1）基于模型的方法
基于模板的方法主要以人体模板作为主要的使用依据，可以通过对包含特定行为的视频帧序列进行转换的方法得到人体的模板，然后将被检测的人体行为与已经归类的人体行为模板进行匹配分类，从而得到行为识别的结果。基于模型的方法具有计算简单的优点，一般通过模型之间的距离比较完成人体行为的分类识别。缺点是需要大量足够的训练样本。

（2）基于聚类的方法
基于聚类的方法把视频帧序列按照某种规则分类，在每一段进行特征的提取组成表示该段的特征矢量，进而通过聚类和相似度量等方法，将其中类别较少的段归为异常。常在处理离线状态下大量数据的异常检测问题时使用基于聚类的行为辨识方法。