随着我国人口老龄化不断加剧,摔倒检测算法和系统的研究逐渐成为当前研究的热点之一。在摔倒检测的多种实现方式中,基于视频图像处理的摔倒检测方法以突出的优势和广泛的应用前景深受学者们青睐。但是目前对摔倒检测算法的研究大多停留在PC上的仿真阶段,只有少数学者将摔倒检测算法在嵌入式平台上实现。这部分学者在进行算法实现的研究时没有考虑人体与摄像头之间的夹角以及人体倒下后被部分遮挡的情况,致使现有摔倒检测系统使用场景受限,可靠性缺乏。为了解决上述问题,本文提出一种融合传统摔倒检测方法和基于CNN摔倒检测方法的摔倒检测算法,并在算法中设计了摔倒检测方法自动选择模块。使用背景差分法和形态学开运算来进行运动目标的提取,使用运动目标像素点个数占图像像素点总个数的比值来进行摔倒检测方法的选择。当摔倒检测方法选择为传统方法时,使用人体最小外接矩形高宽比和有效面积比来进行摔倒判定;当摔倒检测方法选择为基于CNN的方法时,使用Fall-Net网络对图像进行分类的方法来进行摔倒判定。Fall-Net网络基于Le Net-5网络设计优化得到,可以更好地在嵌入式平台实现。本文还制作了一个丰富的融合数据集,用于完成FallNet网络的训练和验证。本文使用PYNQ-Z2平台作为系统的核心处理模块,结合视频采集模块、声音报警模块、短信报警模块、语音辅助报警模块共同完成了摔倒的自动检测和多元化的报警求助。FPGA的内部功能模块采用IP化的设计方法,使用Vivado、Vivado HLS开发工具先将各功能模块封装成IP,再调用各IP实现全部功能,完成系统设计。实验结果表明本文提出的摔倒检测算法较传统摔倒检测方法具有更好的实用性,可以有效解决当人体与摄像头之间夹角过大以及人体倒下后被部分遮挡时现有算法存在的问题,在准确率上较现有算法提升了20%以上。本文设计的摔倒检测系统的平均报警延时低于5s,符合现实中摔倒检测对实时性要求。