基于姿态估计与Bi-LSTM网络的跌倒行为识别

陈京荣

（广东工业大学信息工程学院，广州510006）

0 引言

目前社会人口老龄化问题日益严重，因此检测出老年人摔倒并且及时报警的算法便显得尤为重要。近年来关于跌倒检测的工作主要分为基于可穿戴设备的检测方法和基于机器视觉的检测方法两类。由于可穿戴设备和各种传感器在实际使用中有诸多限制，基于机器视觉的检测方法是当前的研究热点。基于机器视觉的检测方法主要分为基于传统图像处理的方法和基于深度学习的两类方法。宋菲等人[1]利用背景差分法提取视频中的人体轮廓，然后将人体分为3个区域分别计算重心来进行跌倒检测。Miguel[2]等结合背景减除法、光流法、卡尔曼滤波方法进行跌倒检测。但传统的图像处理方法受阴影、光照变化和遮挡等问题影响严重，在复杂环境下的效果很差，适用范围有限。随着深度学习的发展，阴影和遮挡等问题能得到较大的改善。Huang等人[3]在双流法的基础上提出了一种三流卷积神经网络，用于识别人类活动，例如跌倒和婴儿爬行。Min等人[4]使用Faster R-CNN并结合人体特征（例如人的长宽比、质心和运动速度）来判断是否跌倒。近年来，2D人体姿态估计有了长足的进步，于乃功[5]等使用OpenPose[6]提取人体骨骼关键点，计算人体质心运动速度等特征是否大于阈值及根据人体部位的相对位置关系来进行跌倒检测。

长短期记忆网络（LSTM）[7]在处理视频、文本等具有时空关系数据表现较好，能较好应对序列过长会导致梯度消失问题。……