---

0 前言

🔥 Hi，大家好，这里是丹成学长的毕设系列文章！

🔥 对毕设有任何疑问都可以问学长哦!

这两年开始，各个学校对毕设的要求越来越高，难度也越来越大… 毕业设计耗费时间，耗费精力，甚至有些题目即使是专业的老师或者硕士生也需要很长时间，所以一旦发现问题，一定要提前准备，避免到后面措手不及，草草了事。

为了大家能够顺利以及最少的精力通过毕设，学长分享优质毕业设计项目，今天要分享的新项目是

🚩 基于图像识别的跌倒检测算法

🥇学长这里给一个题目综合评分(每项满分5分)

• 难度系数：4分
• 工作量：4分
• 创新点：3分

🧿 选题指导, 项目分享：

https://gitee.com/yaa-dc/BJH/blob/master/gg/cc/README.md

1 简介

背景和意义

在美国，每年在65岁以上老人中，平均每3人中就有1人发生意外跌倒，每年大约有9500位老年人死于旅行途中或跌倒；而平均年龄在65岁至69岁之间的人每200次跌倒中就有一次髋关节骨折。更严重的是，20%到30%的患者会出现中度到严重的并发症，很可能导致残疾。

而在中国，老年人口已经突破2.5亿，按照30%概览推算，每年有7500万人次的老年人摔倒。

---

2 实现方法

实现方法有两种，一种是基于计算机视觉的，一种是基于惯性传感器器件的。

这次主要还是介绍基于计算机视觉的，想了解或学习基于惯性传感器器件跌倒检测的同学联系学长，学长安排博客。

2.1 传统机器视觉算法

传统背景差分法，结合OpenCV中的图像高斯平滑预处理以及腐蚀、膨胀图像形态学处理方法，实现一个更符合实际场景需要的运动目标检测方法。实验效果比较分析表明，该目标检测算法较传统目标检测算法能够提取更加准确和完整的运动目标轮廓。

检测效果如下：

背景差分法利用当前待处理视频帧图像与已经建模好的背景图像进行差分运算，利用阈值处理减少图像中的噪声干扰。优点是计算简单，且可以解决帧间差分法检测空洞的问题，得到的轮廓比较完整； 缺点是对于动态场景的适应能力不强， 对光照变化、 外来无关事物影响比较敏感。

2.2 基于机器学习的跌倒检测

人体行为辨识属于模式识别的分类决策的阶段，主要通过提取表征人体运动行为的特征向量，进而对人体的行为进行分析分类，最终用自然语言对其进行描述。有两种比较常见的方法：

（1） 基于模型的方法
基于模板的方法主要以人体模板作为主要的使用依据，可以通过对包含特定行为的视频帧序列进行转换的方法得到人体的模板，然后将被检测的人体行为与已经归类的人体行为模板进行匹配分类，从而得到行为识别的结果。基于模型的方法具有计算简单的优点，一般通过模型之间的距离比较完成人体行为的分类识别。缺点是需要大量足够的训练样本。

（2） 基于聚类的方法
基于聚类的方法把视频帧序列按照某种规则分类，在每一段进行特征的提取组成表示该段的特征矢量，进而通过聚类和相似度量等方法，将其中类别较少的段归为异常。常在处理离线状态下大量数据的异常检测问题时使用基于聚类的行为辨识方法。

2.2.1 SVM简介

支持向量机即常说的 SVM，全称是Support Vector Machine。支持向量机是建立在统计学的VC维理论与结构化最小风险原理的基础上的，通过将向量映射到一个更高维的空间里，在这个空间建立一个最大间隔超平面，这个超平面被称为最优分类面，是支持向量机方法的理论基础。

2.2.2 SVM跌倒检测原理

我设计了一种运动物体行为辨识中采用基于两级SVM分类器的方法。

第一级SVM分类器用于判决运动物体是否处于非直立（下蹲、跌倒等）状态，提取物体的宽高比、最小包含物体矩形框面积、最小包含物体矩形框周长、运动物体高度等特征进行分类器的训练和分类判决。对于第一级分类器判决为非直立状态的图像帧，将它送入第二级SVM分类器进行分类判决。

第二级SVM分类器用于区分运动物体处于跌倒或其他的非直立状态，提取Zernike矩特征、运动物体的高度、运动物体的宽度、运动物体轮廓面积、运动物体轮廓周长等特征进行分类器的训练和分类判决。如果第二级 SVM 分类器判决为属于跌倒姿势状态类， 系统自动发出报警信息。

2.2.3 算法流程

2.2.4 算法效果

2.3 深度学习跌倒检测

介绍一个效果非常不错的网络，使用数据集在该网络下训练后得到的跌倒检测效果粉肠不错。

2.3.1 最终效果

2.3.2 网络原理

3 最后