根据我国国情,老龄化现象的严重导致未来居家养老的老人会越来越多。跌倒作为对老人健康威胁最大的因素之一,不仅对老人的心理健康、身体健康有着严重的伤害,更严重的甚至还会夺走老人的生命。因此借助智能技术实时检测老人跌倒、将老人的伤害降到最低有着很现实的重要意义。通过文献查阅发现,目前的跌倒检测算法研究中存在以下两个难点:一是目前的研究方法大部分都是基于计算机视觉或是基于传感器的单一模态跌倒检测,无法克服环境或忘记佩戴传感器等问题的影响;二是绝大多数的文献都是采用均值、标准差等统计特征来描述运动状态的,没有考虑到跌倒过程中可能存在的非线性动力学特性。本文针对以上问题,设计了一种结合计算机视觉和传感器的多模态跌倒检测系统,提出了基于联合统计量和熵的多特征融合及模糊KNN的跌倒检测算法。解决了两方面问题,第一,有效克服了一些环境问题的影响,解决了因摄像头自身原因老人跌倒无法及时发现的问题。第二,有效降低跌倒识别错误率,解决了因系统识别出错导致老人跌倒无法及时救治的问题。完成了跌倒、非跌倒和类跌倒三种状态的检测实验,仿真模拟与实际系统的检测结果较为一致,充分说明了算法的有效性,为未来该领域提供了新思路。论文的主要研究内容如下:1.本文建立了一个用于跌倒行为检测的多模态数据库。采用了联合统计量和熵的二次特征提取算法,研究了熵对跌倒数据的表征能力和对检测率的贡献度,并且通过多尺度复合模糊熵曲线分析了使用熵特征的必要性及与实际行为状态的联系。2.本文将模糊KNN引入到跌倒检测领域。研究了模糊KNN分类器各个参数对跌倒、类跌倒和非跌倒三种行为状态效果的影响,并对比不同分类器的性能。实验结果表明,所提特征结合模糊KNN取得了最佳的识别结果,获得98.6%的准确率和1.0%的跌倒错误率。3.将上述算法研究作为理论基础,本文结合OpenCV3.0和VS2017的平台利用C#语言开发了一个实时、可扩展的跌倒行为检测系统,验证了本文算法的有效性和实时性。针对该实时系统,本文给出了较全面的测试结果,系统的跌倒行为检测识别的准确率达到97.5%。