当今社会,经济生活与医疗水平不断提升,人口老龄化已成为一个日益严峻的社会问题。由于身体协调能力会随着年龄增长而不断下降,老年人相对于青年人来说更容易发生跌倒行为,继而导致各种外伤、中风以及其他健康问题。而且老年群体中有许多人处于独居状态,当发生意外跌倒时他们很难立即寻求帮助。因此,跌倒检测的课题研究具有十分重要的意义。其中基于监控视频的跌倒检测系统因其设备成本低、实时性强等优势而成为智能家居领域的一个研究热点。然而,目前基于计算机视觉的跌倒检测方法往往存在着隐私侵犯的问题。安装在居家室内环境下的摄像机设备一直实时监控独居老人的日常生活。虽然老年人的生命安全需要视频监控来提供保障,但其作为独立的个体也有享受隐私保护的权力。用户对于隐私保护的需求在很大程度上阻碍了这一技术在现实生活中的实际应用。本文以此问题为出发点,设计了一种基于压缩感知的视觉屏蔽编码方法,并在对压缩视频数据分析的基础上,重点研究了适用于压缩数据的运动目标检测、特征提取和分类器等关键技术。研究工作主要有以下几部分:(1)分析了跌倒检测课题的研究现状,重点对目前基于视频监控的跌倒检测技术进行了调研,介绍了几种典型的特征提取算法和分类算法。(2)对压缩感知理论进行了相关介绍,依据图像分块压缩感知思想,利用测量矩阵对视频序列图像进行相同的压缩采样,并且进一步将单层感知扩展至多层感知。该过程大大减少了原始图像的像素点数量,在降低数据处理量的同时消除了视频视觉信息,实现了视觉屏蔽编码过程,从而解决了视频监控涉及的隐私侵犯问题。(3)提出了适用于视觉屏蔽编码数据的特征提取算法和分类器。经过单层或多层压缩感知的视频数据画质剧烈下降,原始图像外观细节信息被消除。但由于经过了相同的测量矩阵投影处理,像素点在相邻视频序列间的运动特征得到了保留。考虑到压缩态数据的以上特性,本文的特征提取算法在密集轨迹特征算法上展开研究,该特征融合了采样点的时空信息,具有鲁棒性优势。此外,针对跌倒检测这个二分类问题,本文结合了基于类字典学习方法的分类器对压缩态视频特征向量进行稀疏识别。(4)为了进一步提升算法性能,在上述方法基础上进行改进,联合运动目标检测方法实现压缩视频的跌倒检测。首先利用低秩稀疏分解模型提取视觉屏蔽态视频中的人体前景,然后在此基础上实现后续特征提取与行为识别步骤。在三个跌倒数据库的实验结果证明了改进方法的性能优越性。