王力玄

摘要：跌倒是老年人由于身體狀況的下降，隨著年齡的增長(zhǎng)，經(jīng)常會(huì)發(fā)生的一個(gè)高危動(dòng)作。跌倒對(duì)于老年人的身心健康有著嚴(yán)重的危害，為了解決該問(wèn)題，可以實(shí)時(shí)自動(dòng)檢測(cè)跌倒動(dòng)作系統(tǒng)的研究，逐漸增多。近幾年基于RGBD深度相機(jī)的跌倒檢測(cè)研究情況綜述也逐漸增多。區(qū)別于其他檢測(cè)方式，基于深度信息的視覺(jué)設(shè)備檢測(cè)，可以減少因光照和陰影所帶來(lái)的誤差，也可以使原始數(shù)據(jù)更加豐富，提取更多特征。針對(duì)目前檢測(cè)算法的實(shí)現(xiàn)策略和研究現(xiàn)狀，總結(jié)公開(kāi)的數(shù)據(jù)庫(kù)，跌倒檢測(cè)的發(fā)展趨勢(shì)進(jìn)行展望和討論，有助于后續(xù)研究的進(jìn)展。

關(guān)鍵詞：跌倒檢測(cè)；RGBD；深度圖像；深度相機(jī)；Kinect

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1009-3044（2015）10-0172-05

跌倒對(duì)于超過(guò)65歲的老年人，已經(jīng)成為一個(gè)公共的高危健康問(wèn)題。數(shù)據(jù)表明，每年都有33%的老年人都會(huì)跌倒，而跌倒也會(huì)帶來(lái)一些無(wú)可挽回的傷害，比如說(shuō)髖部骨折、撕裂傷和頭部創(chuàng)傷[1]。根據(jù)急診部門的報(bào)告，截止到2012年，部門接待了240萬(wàn)跌倒的老年人，其中超過(guò)三分之一的老年人，都進(jìn)行了住院護(hù)理，金額達(dá)到了300億美元。隨著中國(guó)老年人人口的增長(zhǎng)，2014年超過(guò)60歲的老人數(shù)目達(dá)到2億[2]，而到2021年，中國(guó)的老齡化水平由14.9%提高到17.9%。

獨(dú)居的老人，承受更多的跌倒風(fēng)險(xiǎn)。老人發(fā)生跌倒后，沒(méi)有獲得即時(shí)的援助，甚至可能因此在家身亡[3]。因此，家中或者其他環(huán)境中針對(duì)個(gè)人的跌倒檢測(cè)是在計(jì)算機(jī)視覺(jué)和機(jī)器學(xué)習(xí)領(lǐng)域中一個(gè)比較有意義的研究話題[4]。

近幾年中，關(guān)于自動(dòng)檢測(cè)跌倒系統(tǒng)已經(jīng)提出來(lái)，其中主要是檢測(cè)一個(gè)固定區(qū)域是否會(huì)發(fā)生跌到檢測(cè)，一旦發(fā)生跌倒，即時(shí)把結(jié)果反饋給監(jiān)護(hù)人或者救助機(jī)構(gòu)（急診室）[5-11]。早期的一些工作主要是基于可穿戴設(shè)備[12]?？纱┐髟O(shè)備的主要缺點(diǎn)就是在日常使用中需要攜帶相關(guān)硬件設(shè)備，比如說(shuō)電池。再之后的研究趨勢(shì)是基于圖像技術(shù)的。圖像技術(shù)大部分使用RGB攝像頭[13-16]。隨著像Kinect這樣的深度攝像頭的普及，處理深度圖像技術(shù)也融入了跌倒檢測(cè)系統(tǒng)當(dāng)中[17-18]。深度圖像的采集和處理，可以保護(hù)被監(jiān)護(hù)人的個(gè)人隱私，從而不會(huì)影響他的日常生活[18]。不僅如此，深度攝像設(shè)備可以不受光照影響，彌補(bǔ)了RGB圖像的缺點(diǎn)[19]。

本文的組織結(jié)構(gòu)如下：首先介紹深度相機(jī)的原理，然后總結(jié)了近幾年文章基于深度相機(jī)的主要實(shí)現(xiàn)方法，最后對(duì)跌倒檢測(cè)的發(fā)展進(jìn)行了展望和討論。

1 深度相機(jī)

1.1 原理介紹

隨著攝像設(shè)備的技術(shù)的提高，深度相機(jī)最近了人們的視野。同時(shí)，微軟提供了相對(duì)價(jià)格低廉的Kinect攝像設(shè)備，使得深度相機(jī)，可以逐漸走入人們的生活中。深度相機(jī)在采集圖像的時(shí)候，可以形成RGB-D圖像。RGB-D圖像是由彩色（RGB）圖像和深度（Depth）圖像共同組成的。深度圖像和彩色圖像相比，是一種特殊類型的圖像。深度圖像中，是將物體表面到攝像頭的參考位置所得到相對(duì)距離，存到深度圖像每個(gè)像素點(diǎn)當(dāng)中。深度圖像有很多優(yōu)點(diǎn)，相比于經(jīng)常接觸到的灰度圖像，深度圖像可以在不易受到光照和陰影因素的影響，更好的識(shí)別和定位現(xiàn)實(shí)世界的物體。除此之外，深度圖像可以很好地解決在彩色圖像中，物體的色彩飽和度和顏色值會(huì)隨著距離的改變而改變。而且在物體輪廓檢測(cè)中，陰影往往會(huì)降低識(shí)別度，而深度圖像可以很好地克服這個(gè)問(wèn)題。深度圖像的應(yīng)用可以簡(jiǎn)化背景減法算法和地板檢測(cè)，更好的加強(qiáng)物體識(shí)別，并且提供檢測(cè)物體和周圍環(huán)境交互的信息，比如說(shuō)人體撞擊地板。深度圖像也讓重建真實(shí)3D物體更容易。

深度圖像的獲取方式可以分為接觸式/非接觸式獲取，主動(dòng)式/被動(dòng)式獲取。被動(dòng)式的獲取是指直接利用環(huán)境里已有的信息，如自然光、紅外光等，行程灰度圖像，并進(jìn)行換算，得到深度信息。最常用的方法是將多個(gè)攝像機(jī)兩個(gè)相隔一定的距離放置，利用兩個(gè)攝像機(jī)同時(shí)獲取圖像，根據(jù)視覺(jué)差異，來(lái)得到深度圖像。根據(jù)攝像機(jī)的數(shù)量可以分為雙目視覺(jué)和多目視覺(jué)。

主動(dòng)獲取需要借助輔助設(shè)備對(duì)物體進(jìn)行距離探測(cè)，如激光、電磁波等，設(shè)備會(huì)根據(jù)發(fā)射能量的反射能量，來(lái)感知物體距離，得到深度圖像。目前，常見(jiàn)的主動(dòng)式獲取一般為結(jié)構(gòu)光測(cè)距、激光雷達(dá)測(cè)距等。常見(jiàn)的有基于ToF（Time of Flight），是一種主動(dòng)式深度感應(yīng)技術(shù)，通過(guò)計(jì)算光的飛飛行時(shí)間，來(lái)判斷距離。Kinect二代區(qū)別于一代采用的light coding，也采用了這一技術(shù)。

1.2 評(píng)價(jià)指標(biāo)

跌倒檢測(cè)是一個(gè)二分類檢測(cè)，無(wú)論其他動(dòng)作為什么，一旦發(fā)生跌倒，目標(biāo)檢測(cè)系統(tǒng)就應(yīng)該識(shí)別出該動(dòng)作。那么我們?yōu)榱硕x評(píng)價(jià)指標(biāo)，先定義如下變量如表1所示。其中TP（True Positive）表示結(jié)果的真陽(yáng)性，F(xiàn)N（False Negative）表示結(jié)果假陰性，F(xiàn)P（False Positive）表示結(jié)果的假陽(yáng)性，TN（True Negative）表示結(jié)果的真陰性。

2 研究現(xiàn)狀

跌掉檢測(cè)，包含了動(dòng)作識(shí)別和動(dòng)作跟蹤，那么基于此，解決跌倒的一般包含為：1）人體檢測(cè)：這個(gè)階段需要鑒別，分離，提出所需要的人體特征；2）跟蹤和識(shí)別：對(duì)人體進(jìn)行跟蹤，并檢測(cè)是否發(fā)生目標(biāo)動(dòng)作-跌倒。

2.1 人體檢測(cè)

在跌倒檢測(cè)的時(shí)候，人體的變化是一個(gè)很重要的線索。人體的形狀、高度會(huì)在跌倒的時(shí)候發(fā)生快速的變化?；谌梭w檢測(cè)形狀的特征，比較明顯的是用矩型邊界框或橢圓來(lái)刻畫人體，然后從中提取幾何屬性，比如說(shuō)長(zhǎng)寬比，點(diǎn)的方向判別[6]，或者可以表現(xiàn)跌倒過(guò)程輪廓上的點(diǎn)[7]。相比于其他動(dòng)作來(lái)說(shuō)，跌倒發(fā)生的時(shí)間很短暫[8]，導(dǎo)致上述特征在驗(yàn)證的時(shí)候，并不會(huì)得到比較理想的準(zhǔn)確率。很多其他動(dòng)作分析的算法，也嘗試用在跌倒檢測(cè)中，比如說(shuō)編碼動(dòng)作輪廓[8]或者利用時(shí)空興趣點(diǎn)[10]。

在深度視覺(jué)設(shè)備的檢測(cè)中，上述特征也均可以嘗試。由于微軟提供了SDK，可以從Kinect的拍攝后的數(shù)據(jù)中，獲得各個(gè)人體關(guān)節(jié)體的三維坐標(biāo)信息，距離特征的設(shè)定也是常用的考慮因素。跌倒動(dòng)作發(fā)生的時(shí)候，一個(gè)直觀現(xiàn)象就是人體的高度發(fā)生了變化，從而可以根據(jù)這一線索，利用深度信息提取這一特征。[17][21-25]均用到了距離作為了特征，但是計(jì)算的距離特征略有差異。[21]中選擇了物體的中心到地面的距離作為人體特征，根據(jù)[26]中利用視覺(jué)差異進(jìn)行地平面的檢測(cè)，來(lái)計(jì)算檢測(cè)到人體的各個(gè)關(guān)節(jié)點(diǎn)到地平面的距離，作為后續(xù)跟蹤檢測(cè)的特征之一。而在[23]中，作者在[21]的基礎(chǔ)上，增強(qiáng)了對(duì)地平面檢測(cè)場(chǎng)景范圍的擴(kuò)大，再檢測(cè)關(guān)鍵點(diǎn)到地平面的距離。[24]中，將檢測(cè)系統(tǒng)應(yīng)用到智能手機(jī)上，通過(guò)微軟提供的SDK中的地平面，計(jì)算關(guān)節(jié)點(diǎn)到平面的距離。

在基于Kinect的設(shè)備中針對(duì)頭部的跟蹤識(shí)別，也是很多文章將其選為特征。在[24]中提出數(shù)據(jù)的特征，就包含了頭部在識(shí)別片段的高度變化，以及最小高度最為特征。除了頭部，脊椎也是一個(gè)關(guān)鍵要考慮的點(diǎn)。在[17]中作者對(duì)頭部和脊椎行成了連線，計(jì)算它與地平面的角度以及脊椎的高度。[27-28]在識(shí)別頭部的時(shí)候，并不是直接調(diào)用Kinect中的信息，因?yàn)镵inect的識(shí)別精度在4m?；诖薣27]把Kinect放在天花板上，通過(guò)頭部與地面的距離，再根據(jù)獲取的深度信息來(lái)判定頭部。另外根據(jù)頭部和肩部的深度差（20-30cm），從而可以判定頭部和肩部所在的一個(gè)區(qū)域。然后作者結(jié)合投影所產(chǎn)生的區(qū)域，換算評(píng)估人所在的區(qū)域。

[28]根據(jù)一個(gè)點(diǎn)周圍點(diǎn)的深度信息，來(lái)計(jì)算這個(gè)點(diǎn)的值，判斷該點(diǎn)的屬性。由于計(jì)算量比較大，作者計(jì)算的時(shí)候采用隨機(jī)決策森林，來(lái)加快判斷這個(gè)點(diǎn)的屬性（頭部，軀干，臀部，其他），從而得到更精準(zhǔn)的人體識(shí)別。

由2D視覺(jué)感知設(shè)備，經(jīng)常用到的輪廓信息，也被應(yīng)用到Kinect中。在[29]中，基于獲得的圖像的深度信息，在[30]基礎(chǔ)上用詞帶從人體的輪廓信息中，利用高斯函數(shù)對(duì)其進(jìn)行卷積，從而提取BoCSS特征，這樣的特征具有變換、旋轉(zhuǎn)、尺度、變形的不變性，而且與跌倒時(shí)間長(zhǎng)度無(wú)關(guān)。

在圖像根據(jù)時(shí)間序列前后對(duì)比，來(lái)進(jìn)行人體特征提取。在[22]中作者認(rèn)為，關(guān)節(jié)點(diǎn)的識(shí)別，在一個(gè)人發(fā)生跌倒的時(shí)候，由于時(shí)間的短暫，數(shù)據(jù)會(huì)存在偏差，所以作者采用計(jì)算關(guān)節(jié)點(diǎn)之間的角度，從而比較每一幀圖像的角度變化差異，作為識(shí)別的特征。在[31]中，作者利用平滑窗口，來(lái)尋找前后幀中，所含深度信息的差異，再依據(jù)經(jīng)驗(yàn)密度函數(shù)處理深度信息，進(jìn)行分類，從而提取出人體。

此外另外一個(gè)很重要特征就是速度。根據(jù)[32]對(duì)跌倒動(dòng)作發(fā)生的四個(gè)階段的定義，以及現(xiàn)實(shí)中發(fā)生的狀況，速度和加速度也是一個(gè)跌倒動(dòng)作檢測(cè)的一個(gè)重要線索。結(jié)合可是別的信息，可以跟蹤人體的中心速度[21]，頭部速度[17][24]，各個(gè)關(guān)節(jié)點(diǎn)速度的值的加權(quán)[23][25]。

2.2 跌倒檢測(cè)識(shí)別

在獲得人體特征之后，會(huì)進(jìn)行目標(biāo)動(dòng)作檢測(cè)，即跌倒檢測(cè)。常用的機(jī)器學(xué)習(xí)都可以運(yùn)用其中。[21][23]采用閾值法，來(lái)進(jìn)行跌倒檢測(cè)的決策。[23]中，在得到可能的跌倒動(dòng)作，之后，通過(guò)連續(xù)的幀，來(lái)進(jìn)行速度提取進(jìn)一步判斷，如果訓(xùn)練得到的閾值，檢測(cè)出跌倒動(dòng)作。 [22]采用分層SVM，先分類出跌倒動(dòng)作和其他動(dòng)作的區(qū)分，再繼續(xù)細(xì)分跌倒的方式：站著跌倒和從椅子上跌倒。[24]采用貝葉斯進(jìn)行對(duì)特征的正負(fù)性進(jìn)行一個(gè)概率計(jì)算，然后根據(jù)概率閾值來(lái)進(jìn)行最終決策。

模糊神經(jīng)網(wǎng)絡(luò)在[24]被用來(lái)檢測(cè)2D圖像感知器下站立、彎腰、坐下和躺下的動(dòng)作，跌倒被定義為從站立到躺下動(dòng)作短暫的過(guò)程。然而，因?yàn)閿?shù)據(jù)集的數(shù)量不足而影響了算法發(fā)揮效果。最近比較新的基于檢測(cè)采用了ELM（Extreme Learning Machine），ELM相比SVM計(jì)算更快，并且在有噪聲的數(shù)據(jù)上依然可以保持穩(wěn)定。[29]在此基礎(chǔ)上，利用了粒子群優(yōu)化算法對(duì)模型進(jìn)行了改進(jìn)優(yōu)化。

3 數(shù)據(jù)庫(kù)

3.1基于2D視覺(jué)設(shè)備的跌倒數(shù)據(jù)集

[33] 建立一個(gè)多攝像頭的2D視覺(jué)設(shè)備標(biāo)準(zhǔn)的一個(gè)數(shù)據(jù)庫(kù)，共計(jì)8個(gè)視角，24種情景，736組視頻。該數(shù)據(jù)庫(kù)是基于2D攝像頭比較常用的數(shù)據(jù)庫(kù)。

3.2基于3D視覺(jué)設(shè)備的跌倒數(shù)據(jù)集

[24]中提到的數(shù)據(jù)庫(kù)，該數(shù)據(jù)庫(kù)提供了2視角的Kinect數(shù)據(jù)庫(kù)，其中包含了真實(shí)跌倒數(shù)據(jù)和跌倒類似的動(dòng)作數(shù)據(jù)，比如說(shuō)從地板撿起硬幣，坐在地板上，系鞋帶等類似跌倒過(guò)程的動(dòng)作。2個(gè)視角總共有26組跌倒數(shù)據(jù)，視角1包含12組，視角2包含14組。其他數(shù)據(jù)信息如下，包含跌倒共計(jì)87組數(shù)據(jù)，如表3所示。

[22]中提到的數(shù)據(jù)，公開(kāi)了50組跌倒數(shù)據(jù)，分別是[22]文章中提到的從椅子上跌倒，站著跌倒，坐在地板，坐在椅子，站著，每類10組為4m以內(nèi)光照正常的數(shù)據(jù)，共計(jì)50組。

[34]包含了30跌倒和40日?；顒?dòng)，共計(jì)70組跌倒數(shù)據(jù)。在[31]中被引用。

4 總結(jié)與展望

4.1研究趨勢(shì)

如今隨著移動(dòng)互聯(lián)網(wǎng)的發(fā)展如火如荼，以及Kinect SDK移動(dòng)端的移植，基于智能手機(jī)上應(yīng)用RGBD跌倒檢測(cè)的研究日趨增加。智能手機(jī)作為人體的第六感官如何協(xié)助人們更好的生活，正確的規(guī)避風(fēng)險(xiǎn)，已經(jīng)成為一個(gè)很有意義的一個(gè)課題。并且智能手機(jī)作為了一個(gè)高頻率出現(xiàn)在人們周圍的硬軟件集為一體的設(shè)備，可以用來(lái)解決像跌倒這樣隨時(shí)隨地可能發(fā)生的突發(fā)高危狀況。目前檢測(cè)的主要是兩種方法，借助速度信息，采用閾值方法或者機(jī)器學(xué)習(xí)算法。第一種方法計(jì)算量比較小，可以在跌倒時(shí)刻就進(jìn)行檢測(cè)，但是準(zhǔn)確率不佳。機(jī)器學(xué)習(xí)算法相對(duì)比較復(fù)雜，但是可以得到一個(gè)比較高的準(zhǔn)確率。相比閾值方法，機(jī)器學(xué)習(xí)肯定是一種趨勢(shì)，但是應(yīng)用機(jī)器學(xué)習(xí)，會(huì)需要較高的計(jì)算資源等等，對(duì)于手機(jī)的處理器和內(nèi)存具有較高的要求，如何在智能手機(jī)上實(shí)行一個(gè)高效低資源需求的算法，是一個(gè)很值得研究的課題。

4.2研究挑戰(zhàn)

跌倒檢測(cè)系統(tǒng)面臨很多挑戰(zhàn)，其一就是這個(gè)系統(tǒng)必須足夠可以被信賴。一個(gè)穩(wěn)定的跌倒檢測(cè)系統(tǒng)需要高精度和高準(zhǔn)度，缺一不可?，F(xiàn)在跌倒檢測(cè)系統(tǒng)都是在實(shí)驗(yàn)環(huán)境下實(shí)驗(yàn)，但是應(yīng)用到真實(shí)場(chǎng)景中，實(shí)驗(yàn)室的準(zhǔn)確率顯然顯得難以信服。好的跌倒檢測(cè)系統(tǒng)測(cè)試和訓(xùn)練的時(shí)候應(yīng)該盡可能選擇現(xiàn)實(shí)生活中的真實(shí)場(chǎng)景，比如說(shuō)可以選擇平時(shí)日?；顒?dòng)的數(shù)據(jù)集作為對(duì)比，來(lái)加強(qiáng)系統(tǒng)的魯棒性。此外，跌倒檢測(cè)的目標(biāo)群體是老年人，但是針對(duì)老年人的數(shù)據(jù)集寥寥無(wú)幾，這樣產(chǎn)生的系統(tǒng)是不會(huì)讓它在現(xiàn)實(shí)應(yīng)用中還可以達(dá)到理想中的效果。

其次，隨著智能手機(jī)的普及，老年人用戶的增多，依靠智能手機(jī)的跌倒檢測(cè)技術(shù)研究逐漸增多。但是目前研究是將手機(jī)擺成一個(gè)固定的位置[25]，這樣會(huì)導(dǎo)致算法在這樣的情況下可以達(dá)到一個(gè)很高的準(zhǔn)確率，卻不能符合智能手機(jī)的日常擺放的隨意性，給實(shí)際應(yīng)用帶來(lái)了很多挑戰(zhàn)。

另外一個(gè)挑戰(zhàn)是關(guān)于接受度的問(wèn)題。很少研究是關(guān)于跌倒檢測(cè)技術(shù)，尤其是基于視覺(jué)技術(shù)的檢測(cè)系統(tǒng)，是否可以讓老年用戶接受及使用，畢竟老年人相對(duì)接受電子產(chǎn)品的能力比較低，盡可能的減少用戶的操作成本也必須是系統(tǒng)考慮的因素。有研究證明在智能手機(jī)方面，老年人關(guān)注健康、養(yǎng)生、家庭護(hù)理或者安全、保障、便攜這兩個(gè)領(lǐng)域。如何從用戶角度出發(fā)，去建立一個(gè)可接受的跌倒檢測(cè)系統(tǒng)，是一個(gè)很大的挑戰(zhàn)。

4.3目前問(wèn)題

首先是關(guān)于隱私問(wèn)題，這是一個(gè)一直被討論的話題。尤其對(duì)于基于視覺(jué)技術(shù)跌倒檢測(cè)系統(tǒng)，檢測(cè)用戶的數(shù)據(jù)，需要被保護(hù)。隱私的保護(hù)一方面要保護(hù)用戶的個(gè)人利益，另一方面，也不能妨礙系統(tǒng)對(duì)用戶特征的提取。雖然RGBD系統(tǒng)的中深度圖像可以很好的保護(hù)人們的個(gè)人隱私，但是依然在認(rèn)知上，還是很難被接受?？傊?，隱私是跌倒系統(tǒng)應(yīng)用到生活中必須面對(duì)的一個(gè)問(wèn)題。

另外一個(gè)問(wèn)題就是公共數(shù)據(jù)集?，F(xiàn)在關(guān)于跌倒檢測(cè)的文章也是比較多的，但是問(wèn)題是，幾乎同類方法，也很難作比較，因?yàn)槊總€(gè)方法所包含的各樣制作的跌倒和日?；顒?dòng)樣本，動(dòng)作檢測(cè)器，樣本頻率，信號(hào)的檢測(cè)長(zhǎng)度，提取的特征等等都不盡相同。研究檢測(cè)算法的時(shí)候，不僅需要關(guān)注如何實(shí)現(xiàn)，也需要在修訂分類器之前，處理檢測(cè)信息的獲取和處理。公開(kāi)權(quán)威的數(shù)據(jù)集在跌倒檢測(cè)的研究上，可以協(xié)助后續(xù)研究的開(kāi)展。

還有一個(gè)非常現(xiàn)實(shí)的問(wèn)題，就是真實(shí)世界的跌倒。大部分的研究用的數(shù)據(jù)還是模仿跌倒而制作的數(shù)據(jù)，而且實(shí)驗(yàn)對(duì)象一般是年輕人。即使這樣的數(shù)據(jù)公開(kāi)，很多算法對(duì)其做了相似的比較，獲得一個(gè)比較好的檢測(cè)系統(tǒng)，還是很難斷定，這樣的系統(tǒng)是否可以應(yīng)用到真實(shí)場(chǎng)景中。畢竟我們無(wú)法斷定是否老年用戶跌倒時(shí)候的真實(shí)場(chǎng)景可以用實(shí)驗(yàn)同構(gòu)。這樣會(huì)導(dǎo)致評(píng)價(jià)跌倒檢測(cè)系統(tǒng)的非常局限。

參考文獻(xiàn)：

[1] Caida E U， en la Comunidad R. Falls Among Older Adults： An Overview[J].

[2] 叢麗， 王衛(wèi)紅， 何彩云. 住院老人生存質(zhì)量的研究現(xiàn)狀[J]. 中國(guó)老年學(xué)雜志， 2015， 1： 142.

[3] 王穎， 何國(guó)平， 賀達(dá)仁. 空巢老人的健康問(wèn)題及對(duì)策思考[J]. 中國(guó)醫(yī)學(xué)倫理學(xué)， 2007， 20（3）： 106-107.

[4] Li Y， Ho K C， Popescu M. A microphone array system for automatic fall detection[J]. Biomedical Engineering， IEEE Transactions on， 2012， 59（5）： 1291-1301.

[5] Popoola O P， Wang K. Video-based abnormal human behavior recognition—A review[J]. Systems， Man， and Cybernetics， Part C： Applications and Reviews， IEEE Transactions on， 2012， 42（6）： 865-878.

[6] Vishwakarma V， Mandal C， Sural S. Automatic detection of human fall in video[M]//Pattern Recognition and Machine Intelligence. Springer Berlin Heidelberg， 2007： 616-623.

[7] Rougier C， Meunier J， St-Arnaud A， et al. Robust video surveillance for fall detection based on human shape deformation[J]. Circuits and Systems for Video Technology， IEEE Transactions on， 2011， 21（5）： 611-622.

[8] Mirmahboub B， Samavi S， Karimi N， et al. Automatic monocular system for human fall detection based on variations in silhouette area[J]. Biomedical Engineering， IEEE Transactions on， 2013， 60（2）： 427-436.

[9] Qian H， Mao Y， Xiang W， et al. Recognition of human activities using SVM multi-class classifier[J]. Pattern Recognition Letters， 2010， 31（2）： 100-111.

[10] Liao Y T， Huang C L， Hsu S C. Slip and fall event detection using Bayesian Belief Network[J]. Pattern recognition， 2012， 45（1）： 24-32.

[11] Zigel Y， Litvak D， Gannot I. A method for automatic fall detection of elderly people using floor vibrations and sound—Proof of concept on human mimicking doll falls[J]. Biomedical Engineering， IEEE Transactions on， 2009， 56（12）： 2858-2867.

[12] Chen J， Kwong K， Chang D， et al. Wearable sensors for reliable fall detection[C]//Engineering in Medicine and Biology Society， 2005. IEEE-EMBS 2005. 27th Annual International Conference of the. IEEE， 2006： 3551-3554.

[13] Juang C F， Chang C M. Human body posture classification by a neural fuzzy network and home care system application[J]. Systems， Man and Cybernetics， Part A： Systems and Humans， IEEE Transactions on， 2007， 37（6）： 984-994.

[14] Liu C L， Lee C H， Lin P M. A fall detection system using k-nearest neighbor classifier[J]. Expert systems with applications， 2010， 37（10）： 7174-7181.

[15] Brulin D， Benezeth Y， Courtial E. Posture recognition based on fuzzy logic for home monitoring of the elderly[J]. Information Technology in Biomedicine， IEEE Transactions on， 2012， 16（5）： 974-982.

[16] Yu M， Rhuma A， Naqvi S M， et al. A posture recognition-based fall detection system for monitoring an elderly person in a smart home environment[J]. Information Technology in Biomedicine， IEEE Transactions on， 2012， 16（6）： 1274-1286.

[17] Planinc R， Kampel M. Introducing the use of depth data for fall detection[J]. Personal and ubiquitous computing， 2013， 17（6）： 1063-1072.

[18] Mastorakis G， Makris D. Fall detection system using Kinects infrared sensor[J]. Journal of Real-Time Image Processing， 2014， 9（4）： 635-646.

[19] Khoshelham K， Elberink S O. Accuracy and resolution of kinect depth data for indoor mapping applications[J]. Sensors， 2012， 12（2）： 1437-1454.

[20] ADER N S. Detecting falls and poses in image silhouettes[J].

[21] Igual R， Medrano C， Plaza I. Challenges， issues and trends in fall detection systems[J]. Biomed. Eng. Online， 2013， 12（66）： 1-66.

[22] Zhang C， Tian Y， Capezuti E. Privacy preserving automatic fall detection for elderly using RGBD cameras[M]. Springer Berlin Heidelberg， 2012.

[23] Bian Z P， Chau L P， Magnenat-Thalmann N. A depth video approach for fall detection based on human joints height and falling velocity[J]. International Coference on Computer Animation and Social Agents， 2012.

[24] Zhang Z， Liu W， Metsis V， et al. A viewpoint-independent statistical method for fall detection[C]//Pattern Recognition （ICPR）， 2012 21st International Conference on. IEEE， 2012： 3626-3630.

[25] Kawatsu C， Li J， Chung C J. Development of a fall detection system with Microsoft Kinect[M]//Robot Intelligence Technology and Applications 2012. Springer Berlin Heidelberg， 2013： 623-630.

[26] Zhao J， Katupitiya J， Ward J. Global correlation based ground plane estimation using v-disparity image[C]//Robotics and Automation， 2007 IEEE International Conference on. IEEE， 2007： 529-534.

[27] Gasparrini S， Cippitelli E， Spinsante S， et al. A depth-based fall detection system using a Kinect? sensor[J]. Sensors， 2014， 14（2）： 2756-2775.

[28] Bian Z， Hou J， Chau L， et al. Fall detection based on body part tracking using a depth camera[J]. 2014.

[29] Ma X， Wang H， Xue B， et al. Depth-Based Human Fall Detection via Shape Features and Improved Extreme Learning Machine[J]. IEEE journal of biomedical and health informatics， 2014， 18（6）： 1915-1922.

[30] Fei-Fei L， Perona P. A bayesian hierarchical model for learning natural scene categories[C]//Computer Vision and Pattern Recognition， 2005. CVPR 2005. IEEE Computer Society Conference on. IEEE， 2005， 2： 524-531.

[31] Kepski M， Kwolek B. Human fall detection by mean shift combined with depth connected components[M]//Computer Vision and Graphics. Springer Berlin Heidelberg， 2012： 457-464.

[32] Noury N， Rumeau P， Bourke A K， et al. A proposal for the classification and evaluation of fall detectors[J]. Irbm， 2008， 29（6）： 340-349.

[33] Auvinet E， Rougier C， Meunier J， et al. Multiple cameras fall dataset[J]. DIRO-Université de Montréal， Tech. Rep， 2010， 1350.

[34] Kwolek B， Kepski M. Human fall detection on embedded platform using depth maps and wireless accelerometer[J]. Computer methods and programs in biomedicine， 2014， 117（3）：s