人类社会已步入老龄化时代,空巢老人比例逐年增长,跌倒是老年人,特别是独居老人受伤的主要原因。随着计算机技术、传感器技术和图像信息处理技术的飞速发展,人体跌倒检测成为国内外学者关注的热点。基于计算机视觉技术的人体跌倒检测,不仅可以检测独居老人跌倒,及时报警,有效减少老年人跌倒后因延误发现和治疗而致死的可能性,而且降低了用于老年人护理的人工费用,减轻了子女负担,同时不会给老人的日常生活带来不便,切实提高了老年人的生活品质。本论文研究了基于多模态特征融合的人体跌倒检测算法,主要工作如下：首先,论述了人体跌倒检测的研究背景和意义,综述了人体跌倒检测技术国内外研究现状,从特征提取和分类器两个方面对当前研究中存在的问题进行分析,介绍了本文的主要研究内容和章节安排。第二,为了验证本文所提出的人体跌倒检测算法,利用Kinect摄像机录制并发布了人体跌倒检测数据集—SDUFall。数据集由20人录制完成,包含六类动作,样本总量达到1200个,包含各种场景。针对每个样本数据,分别记录了彩色图像序列、深度图像序列和人体骨骼点三维坐标文件。第三,研究了基于深度图像和骨骼点坐标信息的人体跌倒检测特征提取算法。基于深度图像信息提取曲率尺度空间特征(Curvature Scale Space, CSS)和人体形态特征,基于骨骼点三维坐标信息提取人体运动的轨迹特征。分析了三类特征的特性：曲率尺度空间特征对平移、旋转和尺度具有不变性；人体形态特征直观的表达出人体各个形态在运动过程中的属性；轨迹特征可以反映人体行为的时域特性。利用极限学习机(Extreme Learning Machine, ELM)对单一特征进行跌倒检测实验,结果显示分类效果不理想。第四,针对单一特征表达人体运动不全面的问题,结合三类特征的优点,提出了基于有监督的组稀疏非负典型相关分析(Group-sparse Nonnegative supervised Canonical Correlation Analysis, GNCCA)的多模态特征选择与融合算法,应用于人体跌倒检测。GNCCA成功整合了多模态高维数据,可以最大化类间距离。实验中首先将基于每帧深度图像的人体形态特征与骨骼点轨迹特征进行特征层的选择与融合,再将分类结果与曲率尺度空间特征进行决策层融合,得到最终的识别结果。第五,针对极限学习机随机产生输入权重、隐元偏置和提前给定隐元个数而导致的模型出现非最优的问题,提出了基于改进变长度粒子群优化算法的极限学习机分类模型。利用改进的变长度粒子群优化算法(Improved Variable-length Particle Swarm Optimization,IVPSO),在优化输入权重和隐元偏置的同时,选择出最优的隐层神经元个数,使得验证集精确度最大、输出权重二范数值最小,保证分类器具有较好的泛化性能。最后,对本论文所做的工作进行总结,并展望下一步的研究方向。