基于卷积神经网络和XGBoost的摔倒检测

被引：22

作者：

赵心驰 ^{[1
,2
]}

胡岸明 ^{[1
,2
]}

何为 ^{[1
]}

机构：

[1] 中国科学院上海微系统与信息技术研究所无线传感网与通信重点实验室

[2] 中国科学院大学

来源：

激光与光电子学进展 | 2020年 / 16期

基金：

国家重点研发计划;

关键词：

图像处理; 卷积神经网络; squeeze-and-excitation模块; YOLO-v3; XGBoost; 摔倒检测;

D O I：

暂无

中图分类号：

TP391.41 []; TP183 [人工神经网络与计算];

学科分类号：

140502 [人工智能];

摘要：

提出了一种基于卷积神经网络和XGBoost的摔倒检测算法。采用基于squeeze-and-excitation模块的YOLO-v3算法对图片进行人体区域检测,在此基础上使用人体姿态估计网络获取人体关节点并提取出特征向量,再将其输入XGBoost进行训练,进而判断人体是否摔倒。实验结果表明,所提出的摔倒检测算法准确率较高,达到98.3%。

引用

页码：248 / 256

页数：9

共 9 条

[1]

基于FPGA的视频监控摔倒检测报警系统 [J].

王鹏 ;

王慧 ;

孔凡宁 ;

姚刚 .

电机与控制学报, 2019, 23 (08) :122-128

[2]

基于视频的实时多人姿态估计方法 [J].

闫芬婷 ;

王鹏 ;

吕志刚 ;

丁哲 ;

乔梦雨 .

激光与光电子学进展 , 2020, (02) :97-104

[3]

改进的YOLO V3算法及其在小目标检测中的应用 [J].

鞠默然 ;

罗海波 ;

王仲博 ;

何淼 ;

常铮 ;

惠斌 .

光学学报, 2019, 39 (07) :253-260

[4]

基于深度网络模型的视频序列中异常行为的检测方法 [J].

吴沛佶 ;

梅雪 ;

何毅 ;

袁申强 .

激光与光电子学进展, 2019, (13) :134-140

[5]

基于图像语义分割和CNN模型的老人跌倒检测 [J].

赵斌 ;

鲍天龙 ;

朱明 .

计算机系统应用, 2017, 26 (10) :213-218

[6]

基于嵌入式视频监控的摔倒检测系统的设计 [J].

白云飞 ;

李瞡 ;

何金龙 .

电视技术, 2014, 38 (15) :231-236

[7]

监控视频事件检测算法研究 [D].

陈玉阳 .

北京邮电大学,

2013

[8]

Wireless sensors network based safe home to care elderly people: Behaviour detection[J] N.K. Suryadevara;A. Gaddam;R.K. Rayudu;S.C. Mukhopadhyay Sensors & Actuators: A. Physical 2012,

[9]

RMPE:regional multi-person pose estimation Fang H S;Xie S Q;Tai Y;et al; https:∥arxiv.org/abs/1612.00137 2018,

← 1 →