随着全球老龄化进程的加快,老年人健康和安全问题逐渐进人们的视野,受到了人们的广泛关注。跌倒是老年人健康的主要威胁之一,跌倒会给老年人身体造成严重的损伤。同时,老年人在跌倒之后往往无法自行恢复,如果老年人在跌倒之后可以及时的得到帮助或治疗,后期造成的伤害会减小很多。因此,及时并且准确的检测跌倒的发生就显得尤为的关键。但是当面对复杂的现实环境时,多数基于机器视觉的跌倒检测方法在实时性和准确性上往往不够理想。基于以上背景,本文提出了一种基于机器视觉的跌倒检测算法,可以在复杂的环境中实时的检测跌倒行为的发生,并基于该算法搭建了跌倒检测系统,同时结合互联网技术实现对人员信息和报警信息的管理。本文主要工作内容如下:首先对跌倒检测系统进行总体设计,根据系统需求分析,将整个系统分为两部分:PC端的跌倒检测软件和Web信息管理系统。对于系统各部分的功能进行划分,确定系统各部分开发所需要的技术选型。研究人体姿态估计算法,采用Open Pose算法进行人体关键点检测。为了提高Open Pose算法的检测效率和检测精度,本文从两方面对Open Pose算法进行改进:首先使用轻量级网络Mobile Net代替VGG网络作为算法使用的主干网络,同时去掉部分精细检测网络结构,进一步缩小网络模型参数量,提高检测速度;在关键点连接方面,增加关键点之间的连接数量,同时重新匹配丢失的关键点。通过实验表明,改进的Open Pose算法对于容易遮挡的人体关键点具有更好的检测精度,可以实时检测监控视频中出现的人体关键点。设计并实现了基于多特征融合的跌倒检测算法。首先通过分析不同行为之间的差异,基于检测的人体关键点提取多种运动和形态特征。提取的特征包括质心运动特征、躯干角变化特征和星型骨架特征。然后对提取的特征使用Relief算法进行特征选择,根据权重排序筛选特征进行分类器训练。在分类器选择上,使用基于集成学习模型的随机森林算法。通过实验表明,本文算法对于跌倒检测的平均灵敏度为89.6%,对于日常行为检测的平均特异度为89.4%。本文算法可以有效的检测跌倒事件的发生,对于类似跌倒行为也有比较好的区分效果。最后,根据之前的研究结果,并结合实际需求。设计并实现了跌倒检测报警系统,系统由基于Py Qt框架的PC端跌倒检测软件和基于Django框架的Web端信息管理系统组成。同时设计搭建数据库对人员信息、报警信息进行管理。系统经过功能测试,满足了跌倒检测报警需求和数据管理展示需求,具有较高的实际应用价值。