摘要
据国家统计局发布的人口统计数据显示，随着老年人群体的不断扩增，现阶段我国已进入人口老龄化社会。意外跌倒造成的一系列损伤是造成老年人意外死亡的第二大原因，因此对独居老人进行意外跌倒检测，可以降低他们死亡和受伤的风险。研究如何检测跌倒事件，对于保障老年人的生命安全和健康有着重要意义。 在基于计算机视觉的跌倒检测算法中，网络框架大小和特征提取方面仍存在一定的优化空间。本文针对当前跌倒检测存在的问题，进行了以下工作： （1）针对当前部分算法中使用人体关键点代替身体姿态信息检测跌倒，会因为关键点标记存在误差，从而导致检测结果出现错误的问题，本文提出了一种基于Openpose和MobileNetV2的跌倒检测方法。旨在利用原始图像信息对关键点标注过程中的偏差进行修正，提高特征提取的有效性，进而提高算法分类精度。首先，使用Openpose提取人体关键点，并在原始图像中标注。然后，利用改进的MobileNetV2网络，对原始图像和标记的人体姿态信息进行特征提取，检测跌倒。针对UR数据集中部分样本存在光线过暗导致关键点提取偏差较大的问题，本文对相关数据进行了提亮操作，提高了关键点标注准确率。该方法在Le2i和UR数据集上的准确率分别为98.6%和99.75%，高于所列出的对比方法。 （2）针对当前基于MobileNetV2的跌倒检测算法不能同时兼顾数据背景信息和位置编码信息的问题，本文对MobileNetV2的倒残差结构进行了改进。首先，进行了注意力机制穿插位置的探索，最终在逐点卷积和空间卷积之前分别增加了通道注意和空间注意力机制。然后，对网络输出部分进行改进，在分类结构的开始部分加入了CBAM注意力机制，修正卷积层提取后的特征信息。上述操作在不增加网络计算量的情况下提高了网络对重点信息的关注，进而提高了网络的分类性能。针对UR数据集中跌倒数据较少的问题，本文对相关数据进行了扩充，采用平移，放缩，随机裁剪的方法将跌倒数据扩充为原来的4倍，使得网络可以充分学习跌倒动作的特征，更为准确地检测跌倒。该算法在公共数据集Le2i和UR上的检测准确率分别为98.8%和99.7%。虽然在UR数据集中的检测准确率与本文提出的第一种检测方法相比略有降低，但本方法的网络框架明显小于所提出的第一种方法，同时准确率高于所列出的其他对比方法。
NETL