随着我国进入老龄化社会,社会上空巢老人的数量将会越来越多,如何保障空巢老人的健康安全是一个值得思考的问题。据调查显示,跌倒是威胁老人健康安全的一个重要因素,如果老人在跌倒后能够及时得到救助,那么将会极大的降低老人因为跌倒而引发的其他疾病。基于上述原因如何设计一个实时性好,鲁棒性强的跌倒检测方法一直都是人们研究的热点。现阶段对跌倒检测方法的研究,大体可以分为三个方向:基于穿戴设备的跌倒检测方法,它主要是通过老年人穿戴信息采集设备,例如加速度计、陀螺仪等传感器收集老人的运动信息进行跌倒检测判断,这种方式的优点在于对老人的活动范围没有限制,缺点是需要随时佩戴设备;基于外围传感器的跌倒检测方法,它主要是通过在人的活动范围内安装压力传感器、红外线传感器等设备采集人体的活动信息,优点是不需要老人随时佩戴设备,提高了老人的舒适度,缺点对外界的噪声比较敏感容易发生误检测;基于视频监控的跌倒检测方法,它主要是通过摄像头来采集人体信息,优点是设备容易获取、对噪声不敏感、检测精度高等,本文主要对视频监控场景下的跌倒检测方法进行研究。本文的工作如下:1.对传统的跌倒检测方法进行研究分析。首先使用混合高斯背景模型进行前景目标提取,对提取后的前景目标进行形态学处理。在得到人体的前景目标后,需要对前景目标进行跌倒特征的提取,本文使用Hu不变矩、外接矩长宽比、姿态变化率以及运动速率作为跌倒检测判断的特征。最后利用提取到的特征对SVM分类器进行训练完成对跌倒行为的识别。2.传统的跌倒检测方法是通过计算连续图像序列中人体的外形特征和运动特征来进行跌倒检测判断,它比较依赖连续图像序列中人体上下文之间的关系,当对多路视频进行跌倒检测时,对服务器的计算资源消耗比较严重。而在现实生活当中跌倒检测系统一般都对32路或者64路视频进行分析,如果使用传统的跌倒检测方法就很容易造成了服务器计算资源过载的情况。针对这种情况,本文提出了一种基于姿态估计的跌倒检测方法,它可以对静态图片进行跌倒检测判断,大大的降低了服务器计算资源的消耗。本文中的跌倒检测方法首先对图像中的人体进行姿态估计,获取到人体的18个骨骼关节点的坐标;对于人体的不同姿态,人体骨骼关节点的相对位置关系也不一样的。因此可以利用人体骨骼关键点作为跌倒判断的特征向量,使用SVM分类器进行跌倒检测判断。3.在实际的应用当中发现,当人很舒服的躺在座椅上的时候,此时人体的姿态信息和跌倒时的姿态信息相似,容易发生误检测。针对这种特殊的场景,本文使用YOLOv3卷积神经网络训练一个分类器,跟上面的姿态估计跌倒检测方法联合使用进行跌倒检测判断,实验结果表明在加入YOLOv3网络模型后能够很好的解决这种特殊情况下的误检测,提高了算法的精度。