胡昕 劉瑞安 黃玉蘭

摘? 要：為避免老人摔倒后未能及時提供醫(yī)療援助而造成的人身傷害，研究發(fā)現(xiàn)老人摔倒并及時發(fā)出警告，可減少老人摔倒的損失和嚴(yán)重后果。為了提高老人摔倒檢測算法的檢測精度和實時性能，提出了一種基于OpenPose改進的老人摔倒檢測算法。該算法在OpenPose人體骨架信息識別網(wǎng)絡(luò)的基礎(chǔ)上，提出將其部分卷積層替換為深度可分離卷積神經(jīng)網(wǎng)絡(luò)類型。該算法使用長短期記憶神經(jīng)網(wǎng)絡(luò)來檢測老人的摔倒。從URFall公共數(shù)據(jù)集提取跌倒和相關(guān)行為數(shù)據(jù)，豐富自制數(shù)據(jù)集，實驗結(jié)果表明，本文改進后算法大大提升了系統(tǒng)判別摔倒的識別精度。

關(guān)鍵詞：OpenPose；深度可分離卷積；長短期記憶神經(jīng)網(wǎng)絡(luò)；摔倒檢測；深度學(xué)習(xí)

中圖分類號：TP391.41；TP183 文獻標(biāo)識碼：A 文章編號：2096-4706（2023）23-0073-07

Improved Elderly Fall Detection Algorithm Based On OpenPose

HU Xin， LIU Ruian， HUANG Yulan

（College of Electronics and Communication Engineering， Tianjin Normal University， Tianjin? 300387， China）

Abstract： In order to avoid personal injuries caused by failure to provide timely medical assistance after an elderly fall， the study finds that elderly falls and timely warnings can reduce the damage and serious consequences of elderly falls. In order to improve the detection accuracy and real-time performance of the elderly fall detection algorithm， an improved elderly fall detection algorithm based on OpenPose is proposed. The algorithm proposes to replace some of its convolutional layers with the Depthwise Separable Convolution neural network type based on the OpenPose human skeleton information recognition network. The algorithm uses the Long Short-Term Memory Networks to detect falls of the elderly. The fall and related behavioural data are extracted from the URFall public dataset to enrich the home-made datasets. Experimental results show that the improved algorithm in this paper greatly improves the recognition accuracy of the system in discriminating falls.

Keywords： OpenPose; Depthwise Separable Convolution; Long Short-Term Memory Network; fall detection; Deep Learning

0? 引? 言

近年來，摔倒行為在老年人日常生活中已經(jīng)越來越普遍。在美國，65歲及以上的老年人中約有30%的人每年至少摔倒一次，而80歲及以上的老人發(fā)生的摔倒行為更是高達50%[1]。中國社區(qū)醫(yī)學(xué)的統(tǒng)計資料表明：30%的65歲以上老年人每年跌倒1次或多次，80歲以上的老年人摔倒的發(fā)生率高達50%。摔倒的發(fā)生率隨著年齡而增加。女性發(fā)生率高于男性。發(fā)生摔倒的場所以家中居多，占60%，30%發(fā)生在公共場所，10%發(fā)生在醫(yī)療保健部門。摔倒在我國65歲以上老年人的意外傷害死因順位中居首位，并隨年齡的增加跌倒的死亡率急劇上升，在85歲以上老年人中達到最高[2]。摔倒會對老年人的身體造成很嚴(yán)重的傷害，輕則不能自由活動，照顧自己的日常生活起居，嚴(yán)重時會造成老年人身體的殘疾甚至死亡，并且影響老年人的身心健康。值得注意的是，送到醫(yī)院救治的時間與摔倒死亡率之間存在明顯的正相關(guān)關(guān)系。也就是說，如果能在很短的時間內(nèi)送到醫(yī)院救治，摔倒的老人可能不會產(chǎn)生特別嚴(yán)重的后果。因此，自動化的摔倒監(jiān)測越來越受到研究者和醫(yī)護人員的關(guān)注。它最大的功能是可以在監(jiān)測到老年人摔倒時自動發(fā)出警報，其家人或附近的醫(yī)院可以迅速做出反應(yīng)，以及時挽救生命或者降低摔倒受傷后產(chǎn)生的嚴(yán)重后果程度。如果能夠在科技方面提供有力的支持，就可以很大程度降低老年人摔倒后身體的傷亡情況。因此，將老年人的健康監(jiān)護細(xì)化，摔倒行為的檢測監(jiān)護在現(xiàn)階段成為智能養(yǎng)老應(yīng)用研究的一大熱點。

目前關(guān)于跌倒檢測的研究可以分為三類。第一種是使用可穿戴傳感器來檢測跌倒的發(fā)生，并使用三軸加速度計等數(shù)據(jù)來檢測一個人的姿勢。Bourke[3]等人將加速度計和陀螺儀安裝至腰部，從傳感器數(shù)據(jù)中提取了12種不同運動學(xué)、動力學(xué)等特征，并將這些特征實現(xiàn)不同的組合，應(yīng)用機器學(xué)習(xí)來判斷摔倒姿態(tài)。由于算法是基于可穿戴設(shè)備的，這樣就會產(chǎn)生像當(dāng)人跌倒時穿戴在身上的設(shè)備可能會因跌倒而損壞，這樣便造成了識別結(jié)果的不準(zhǔn)確以及設(shè)備需要人時刻穿戴在身上，給用戶帶來了極大的不便等問題。第二種使用環(huán)境傳感器，通過振動、紅外傳感器或音頻來檢測跌倒。Alwan[4]使用了振動傳感器來判斷摔倒姿態(tài)，將多個振動傳感器安裝于地板上，通過對振動信息的處理來判斷人體的位置和姿態(tài)?；诃h(huán)境的檢測算法需要在環(huán)境中部署相關(guān)的傳感器，這便對其使用環(huán)境有了很大的限制。如果環(huán)境中出現(xiàn)預(yù)期外的東西（如寵物等）也會影響到最終結(jié)果的準(zhǔn)確性。第三種類型采用計算機視覺，計算機視覺跌倒檢測方法使用圖像處理和概率模型來檢測人的輪廓，并應(yīng)用機器學(xué)習(xí)或神經(jīng)網(wǎng)絡(luò)進行運動分類[5]。通過高斯混合模型（GMM）從背景中提取運動物體，生成人體輪廓[5]。這種方法避免了可穿戴傳感器的問題，也不需要高成本的設(shè)備。然而，它很容易受到環(huán)境的干擾。如光線、衣服或重疊的人像。這種方法還存在著對隱私的擔(dān)憂。另一種基于計算機視覺的跌倒檢測方法使用了Kinect和OpenPose或Deepcut的人體骨架來獲得關(guān)節(jié)點，以識別和預(yù)測跌倒[6]。骨架識別與人體輪廓識別相比，骨架識別受環(huán)境干擾的可能性較小，而且對隱私的保護也有所提高。由于訓(xùn)練數(shù)據(jù)是基于關(guān)節(jié)點而不是圖片，所以訓(xùn)練時間更短。然而，這種方法存在著特征質(zhì)量和缺失的關(guān)節(jié)點，從而導(dǎo)致較低的跌倒檢測精度。

本文提出一種基于改進OpenPose的長短期記憶（LSTM）模型的摔倒檢測框架，所提出的辦法降低了設(shè)備成本，并且不需要用戶佩戴傳感器或使用特定的攝影設(shè)備。本文提出的算法可以從視覺傳感器獲得的視頻圖像中自動提取人體關(guān)鍵點信息，分析其內(nèi)部數(shù)據(jù)相關(guān)特性，實現(xiàn)從RGB攝像機圖像處理到老人摔倒檢測的過程。該算法框架從OpenPose主干網(wǎng)絡(luò)入手，采用了深度可分離卷積思路，提高了摔倒檢測的識別精度，訓(xùn)練時間減少，保護用戶隱私。

1? 算法流程

本文提出的框架使用現(xiàn)有的UR跌倒檢測數(shù)據(jù)集[7]作為輸入，并對數(shù)據(jù)進行預(yù)處理以檢索骨架關(guān)節(jié)點。對接頭點數(shù)據(jù)進行進一步處理，以恢復(fù)缺失點。然后將它們分為訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集。圖1顯示了數(shù)據(jù)處理、訓(xùn)練和測試的程序框圖。該框架首先將數(shù)據(jù)集中的行為分割成連續(xù)的圖像序列。利用OpenPose從圖片序列中提取骨架，獲得25個人體關(guān)節(jié)點的位置數(shù)據(jù)。為了對接合點數(shù)據(jù)進行預(yù)處理，提出了一種最小最大值歸一化方法。將處理后的關(guān)節(jié)點數(shù)據(jù)分為測試集和訓(xùn)練集，輸入LSTM模型進行訓(xùn)練和測試。

1.1? OpenPose網(wǎng)絡(luò)

OpenPose于2017年CVPR會議上發(fā)表，是美國卡耐基梅隆大學(xué)基于卷積神經(jīng)網(wǎng)絡(luò)和監(jiān)督學(xué)習(xí)以caffe為框架開發(fā)的開源庫[8]，其功能有手指運動、面部表情、人體動作等姿態(tài)估計，適用于單人和多人并有極好的穩(wěn)定性，是全球首個，基于深度學(xué)習(xí)的實時多人二維姿態(tài)估計應(yīng)用算法，網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

OpenPose采用了CPM先檢測關(guān)鍵點，自下而上地繪制出人體骨干圖的方法，在其中加入了骨干走向的概念Part Affinity Fields（PAFs），PAFs是用來描述像素點在骨架中的走向，在OpenPose網(wǎng)絡(luò)中用L（p）表示，關(guān)鍵點的位置在網(wǎng)絡(luò)中用S（p）表示，通過全卷積網(wǎng)絡(luò)來有效定位關(guān)鍵點，采用級聯(lián)神經(jīng)網(wǎng)絡(luò)和中繼誤差來避免梯度消失，和CPM有相似的優(yōu)勢，OpenPose的結(jié)構(gòu)分為兩個分支，紅色部分的分支用來預(yù)測關(guān)鍵點的位置，藍色的部分用來預(yù)測點點之間的連接，稱為親和區(qū)域，且這兩個分支在每個階段后都有中間監(jiān)管，計算一次Loss，再輸入下一個階段訓(xùn)練，隨著迭代次數(shù)的增加，可以看出模型可以在一定程度上區(qū)分人體骨干的左右。

原文中首先通過VGG網(wǎng)絡(luò)的前10層，包括7層卷積3層最大池化，得到一組初始的特征F，隨后將F分別輸入至每個階段的兩個分支，同時每一分支的輸出會作為下一階段的輸入，用于產(chǎn)生更準(zhǔn)確地預(yù)測結(jié)果，在MPII數(shù)據(jù)集上取得了91.2%的結(jié)果。

OpenPose基于卷積神經(jīng)網(wǎng)絡(luò)和監(jiān)督學(xué)習(xí)，采用自底向上的方法，比自頂向下?lián)碛懈叩男剩趩稳撕投嗳巳梭w姿態(tài)識別有很高的準(zhǔn)確率，也在每個階段后產(chǎn)生損失來避免梯度消失，但原文中的網(wǎng)絡(luò)首先使用了VGG16提取特征，隨后通過多個階段的OpenPose網(wǎng)絡(luò)，由于卷積層的數(shù)量很大，如果要直接移植到移動端用于實時計算延遲會很高，因此還要對提取特征的網(wǎng)絡(luò)和OpenPose網(wǎng)絡(luò)結(jié)構(gòu)進行優(yōu)化。

1.2? 基于深度可分離卷積的OpenPose優(yōu)化

1.2.1? 深度可分離卷積

深度可分離卷積是由 Depthwise Convolution（DC）卷積與Pointwise Convolution（PC）卷積組成。其結(jié)構(gòu)特征和普通卷積相似，均可用于特征的提取，但減少了參數(shù)量，降低了計算成本。所以在很多輕量級網(wǎng)絡(luò)中，需要強調(diào)速率和網(wǎng)絡(luò)的便捷度時，經(jīng)常會用到此類結(jié)構(gòu)，以此達到減少卷積層參數(shù)數(shù)目的作用。

圖4展示了Mobilenet的Depthwise過程，圖示將輸入層H×W×C分成C組，每組分別做3×3的卷積運算，得到的特征為H×W×C。

圖5展示的是Pointwise過程，輸入為Depthwise過程的輸出，經(jīng)過k個1×1的卷積核運算，得到最終H×W×k的輸出。

通過Depthwise和Pointwise得到的結(jié)構(gòu)與普通卷積一致，這樣就把一步普通卷積拆分成了兩步，經(jīng)過計算可以發(fā)現(xiàn)計算量比普通卷積得到了壓縮，當(dāng)k很小時，壓縮的效果并不明顯，當(dāng)k很大時，如下式可以計算出壓縮的比例得到了很大的變化：

1.2.2? OpenPose的優(yōu)化

OpenPose網(wǎng)絡(luò)有三個過程，首先需要通過一個特征提取的過程，再經(jīng)過第一階段，該階段主要的作用是檢測定位，其中一半是用來檢測關(guān)鍵點，一半檢測關(guān)鍵點之間的連接，再通過由后幾個階段組成的第三部分，主要作用是定位檢測不明顯的關(guān)鍵點以及連接，如手肘膝蓋等部位。為了提高執(zhí)行速度減少計算量，本文使用三層卷積加一層最大池化進行特征提取，再將第一階段的部分卷積層替換成深度可分離卷積層，使OpenPose網(wǎng)絡(luò)有最快的處理速度，如圖6所示結(jié)構(gòu)。

簡化后的網(wǎng)絡(luò)模型與原模型相比少了四層卷積層與兩層最大池化層，并且在第一層中將卷積層替換為了深度可分離卷積，能夠大大減少計算量，可以有效加快運算速度，能夠保證檢測過程的實時性。

1.2.3? 優(yōu)化后的Openpose檢測出人體骨架

執(zhí)行過程如圖7所示，Openpose的算法思路首先將圖像數(shù)據(jù)輸入到網(wǎng)絡(luò)，然后分別經(jīng)過兩個網(wǎng)絡(luò)分支，一個與預(yù)測圖像中的所有關(guān)節(jié)點的位置信息，另一個去學(xué)習(xí)預(yù)測關(guān)節(jié)點之間的向量指向信息，輸出總的PAFs。然后轉(zhuǎn)化成圖論中的匹配問題：邊權(quán)值最大的二分圖匹配。由點拼接處人的骨架。

如圖8所示，OpenPose估計人體共有25個關(guān)節(jié)點，其中0點表示鼻子，14～17點表示左右眼睛和耳朵，1點表示頸部，2～7點表示左右肩膀、肘關(guān)節(jié)和手腕，8～13點表示左右臀部、膝蓋和腳踝。

圖9展示了用OpenPose模型檢測出的人體骨架。這種方法能在復(fù)雜的環(huán)境中識別人體關(guān)節(jié)點。

1.3? 長短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）

摔倒和其他人類行為通常可以被視為連續(xù)的序列，其空間和時間特征非常重要。循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）[9]雖然有其出色的內(nèi)存，在處理時間序列數(shù)據(jù)方面特別強大，但為了解決RNN處理長序列數(shù)據(jù)的梯度爆炸和消失問題，本研究使用長短期記憶神經(jīng)網(wǎng)絡(luò)（LSTM）[10]來判斷一個人是否產(chǎn)生跌倒行為。LSTM是一種能夠有效解決長期依賴問題的特殊RNN。LSTM與傳統(tǒng)RNN基本結(jié)構(gòu)不同的是LSTM的隱藏層也就是循環(huán)層內(nèi)不再是簡單地使用一個激活函數(shù)來控制信息，而是引入了長期記憶細(xì)胞狀態(tài)，并且使用“門”結(jié)構(gòu)來控制不同時刻的狀態(tài)和輸出，緩解了傳統(tǒng)RNN中易出現(xiàn)的梯度消失問題。

LSTM的基本單元是主要由存儲單元和三個門控制單元（包括輸入門（it）、輸出門（ot）和遺忘門（ft））[11]形成的存儲塊。每個單元的內(nèi)部結(jié)構(gòu)如圖10所示。存儲單元由圖頂部的水平直線表示，用于接收先前時刻的信息，并將處理后的信息傳遞到下一時刻。

對于每個LSTM單元格，第一步是決定我們會從細(xì)胞狀態(tài)中丟棄什么信息。這個決定是由遺忘門的Sigmoid層做出的。該遺忘門會讀取上一個ht-1和當(dāng)前輸入xt，做一個Sigmoid的非線性映射，然后輸出一個介于0到1之間的值的向量ft（1表示完全保留，0表示完全舍棄，相當(dāng)于記住了重要的，忘記了無關(guān)緊要的），最后與細(xì)胞狀態(tài)Ct-1相乘。在跌落檢測過程中，遺忘門選擇性地存儲和忘記由前一個LSTM單元傳輸?shù)男畔?，以及由輸入門傳輸?shù)男畔?。然后，遺忘門存儲一系列在行為識別中確定下降的幀圖像。其計算公式如下：

其中xt表示通過輸入門的人體關(guān)鍵點信息組，ht-1表示前一個LSTM單元格的輸出，σ是Sigmoid層，ut表示遺忘門的輸入系數(shù)矩陣，wf表示遺忘門的網(wǎng)絡(luò)系數(shù)矩陣，Ct-1表示前一個LSTM單元的單元狀態(tài)，Kt表示遺忘門的輸出，用于更新當(dāng)前單元狀態(tài)。在忘記了LSTM單元的當(dāng)前狀態(tài)信息后，輸入門對輸入到當(dāng)前單元的信息進行處理。

在我們的語言模型的例子中，我們希望增加新的主語的性別到細(xì)胞狀態(tài)中，來替代舊的需要忘記的主語，進而確定更新的信息。首先，有必要使用ht-1和xt與s型圖層結(jié)合，以確定需要在當(dāng)前單元中更新的信息。第二，利用激活函數(shù)tanh來處理ht-1和xt獲取新的候選單位信息作為補充信息。其計算公式如下：

其中it表示并行化后的輸出信息，gi表示候選輸入信息，ui表示輸入門的輸入系數(shù)矩陣；wi表示輸入門的網(wǎng)絡(luò)系數(shù)權(quán)重矩陣；ug表示候選輸入信息的權(quán)重系數(shù)矩陣；wg表示輸入門的權(quán)重系數(shù)矩陣；jt表示輸入門的輸出，用于更新當(dāng)前單元狀態(tài)；ct表示已更新的單元狀態(tài)。

最后，當(dāng)前的LSTM單元確定輸出值。首先，利用s型層得到輸出判斷條件，然后利用一層tanh得到[-1，1]中的決策間向量。將該向量乘以從輸入門得到的結(jié)果，得到最終的LSTM單位輸出值。在跌倒檢測過程中，輸出門對最終信息進行歸一化，以對跌倒和其他動作進行分類。具體公式如下：

其中ot表示并行化后的輸出信息，uo表示輸出門的輸入系數(shù)矩陣，wo表示輸出門的網(wǎng)絡(luò)系數(shù)權(quán)重矩陣，ht表示當(dāng)前LSTM單元的輸出信息。

因此，LSTM在處理長序列數(shù)據(jù)方面具有獨特的優(yōu)勢。在本研究中進行的實驗都取得了足夠好的效果。

在獲取到人體關(guān)鍵點信息后，便需要對這些關(guān)鍵點進行分類，以判斷出圖像中人所處的狀態(tài)，進而判斷出視頻中是否存在摔倒的現(xiàn)象。此研究采用LSTM對獲取到的關(guān)節(jié)點信息進行分類。經(jīng)訓(xùn)練后，LSTM分類器對關(guān)鍵點狀態(tài)分類的準(zhǔn)確率達到了99.38%。

2? 實驗結(jié)果與評估

2.1? 數(shù)據(jù)集介紹

1）UR Fall Detection Dataset：該數(shù)據(jù)集包含70條人體生活序列（30個摔倒動作+40個日常生活動作），數(shù)據(jù)集由兩個高清深度攝像機鎖記錄，一個安裝于地板，一個安裝在天花板，同時還附有加速度計進行數(shù)據(jù)記錄[7]。

2）Fall Detection Dataset：該數(shù)據(jù)集是用于模擬摔倒的數(shù)據(jù)集，它包括原始的RGB圖像和深度圖像，由一個未校準(zhǔn)的Kinect傳感器在640×480大小下調(diào)整記錄。

此研究的視頻主要的行為是行走、站立、摔倒和坐著。為了豐富數(shù)據(jù)集，我們提取并處理了來自URFall公共數(shù)據(jù)集和FDD公共數(shù)據(jù)集關(guān)于這四種活動的視頻。我們混合了這兩個數(shù)據(jù)集，一方面是為了確保足夠的數(shù)據(jù)量，另一方面是為了增加樣本的多樣性，以避免過擬合。如表1所示，本文分別從兩個數(shù)據(jù)集中提取了相同數(shù)量的摔倒和非摔倒數(shù)據(jù)，形成混合數(shù)據(jù)集進行模擬訓(xùn)練。

2.2? 實驗結(jié)果

本文研究中使用的數(shù)據(jù)集包含了在日常生活中與摔倒相關(guān)的動作，例如：行走、坐著、站立、摔倒。本文采用了Adam對網(wǎng)絡(luò)進行優(yōu)化，在網(wǎng)絡(luò)層采用ReLU方法來提高模型的泛化能力。最后利用全連接層和SoftMax分類器來進行最后的分類。本研究提出的優(yōu)化的摔倒檢測算法能夠適用于現(xiàn)實的環(huán)境中，有效地將摔倒情況與日常情況區(qū)分出來，坐姿行為與摔倒行為相似，但本研究的算法可以很好地達到預(yù)期效果。本文使用了一些視頻數(shù)據(jù)集呈現(xiàn)了一些正在運行的結(jié)果，具體如圖11所示。

（a）站立? ? ? ? ? ? ? ? ? （b）起身

（c）坐著? ? ? ? ? ? ? ? ? （d）摔倒

2.3? 實驗結(jié)果分析

機器學(xué)習(xí)中，對于一個二分類問題，通?？蓜澐殖蔀樗姆N情況。

這四種情況分別為TP（True Positive）、FP（False Positive）、FN（False Nagative）、TN（True Nagative）。當(dāng)模型預(yù)測為正例，樣本實際也為正例，模型預(yù)測正確，稱為TP。當(dāng)模型預(yù)測為反例，樣本實際也為反例，模型預(yù)測正確，稱為FP。當(dāng)模型預(yù)測為反例，樣本實際為正例，模型預(yù)測錯誤，稱為FN。當(dāng)模型預(yù)測為反例，樣本實際為正例，模型預(yù)測錯誤，稱為TN。

查準(zhǔn)率可以理解為真實樣本所有預(yù)測為正例樣本的比重，查全率可理解為預(yù)測為正樣本占所有真實樣本的比重。

在摔倒檢測領(lǐng)域內(nèi)應(yīng)用比較廣泛的評判標(biāo)準(zhǔn)主要是三個指標(biāo)，分別是準(zhǔn)確性、敏感性和特異性。

基于OpenPose-LSTM老人摔倒檢測模型，本研究中人摔倒檢測的準(zhǔn)確率達到99%，結(jié)果可以證明，本研究提出的OpenPose-LSTM網(wǎng)絡(luò)模型對實驗數(shù)據(jù)集具有較高的識別精度。表2顯示了本研究中研究的模型與其他研究中使用的方法和性能比較，進一步表明該方法在準(zhǔn)確性、特異性和敏感性方面均有一定程度的提升。

根據(jù)表2的模型對比，本文研究提出的基于改進的OpenPose-LSTM老人摔倒檢測網(wǎng)絡(luò)結(jié)構(gòu)與文獻[12]

摔倒檢測網(wǎng)絡(luò)對比，準(zhǔn)確率和特異性分別提升了3.77%和1.4%，摔倒的識別率提高了將近4%，而且誤報率非常低，與文獻[13]相比，性能也有一定的提高，準(zhǔn)確率和特異性分別提高了2.26%和1.05%。

綜上所述，本研究提出的基于改進的OpenPose-LSTM老人摔倒檢測模型可以獲得更好的檢測精度。另外，對于老人摔倒檢測來說，使用該算法的目的是為了檢測所有的墜落行為，以便及時對老人摔倒進行醫(yī)療救援，防止對老人造成不可逆轉(zhuǎn)的傷害。因此，有可能有類似摔倒的行為，并被誤判為摔倒，但不可能錯過對摔倒行為的檢測，所以準(zhǔn)確度和靈敏性指標(biāo)也非常重要。

3? 結(jié)? 論

本文基于優(yōu)化的OpenPose-LSTM老人摔倒檢測模型，首先利用改進的OpenPose從視頻幀提取出人體骨架，獲得人體特征信息。本文使用三層卷積加一層最大池化進行特征提取，再將第一階段的部分卷積層替換成深度可分離卷積層，使OpenPose網(wǎng)絡(luò)有最快的處理速度。然后利用長短期記憶網(wǎng)絡(luò)對骨骼數(shù)據(jù)進行摔倒檢測，判斷是否摔倒。同時，本研究在URFall公共數(shù)據(jù)集和FDD公共數(shù)據(jù)集上驗證了本文提出的方法，證明了該方法可以獲得較高的檢測精度。在未來，我們將評估本文的方法在多次摔倒的情況下的性能。此外，該算法可以布置在移動設(shè)備上，以便實現(xiàn)在日常生活中的應(yīng)用。

參考文獻：

[1] PEEL N M. Evaluation of a health service delivery intervention to promote falls prevention in older people across the care continuum [J].Journal of Evaluation in Clinical Practice，2010（16）：1254-1261.

[2] 耳玉亮，段蕾蕾，葉鵬鵬，等.2014年全國傷害監(jiān)測系統(tǒng)老年人非故意傷害病例特征分析 [J].中國健康教育，2016，32（4）：312-317.

[3] BOURKR A K，KLENK J，SCHWICKERT L，et al. Fall detection algorithms for real-world falls harvested from limbar sensors in the elderly population：A machine learning approach [C]//38th Annual International Conference of the IEEE Engineering iin Medicine and Biology（EMBC）.IEEE，2016：3712-3715.

[4] ALWAN M，RAJENDRAN P J，KELL S，et al. A smart and Passive Floor-Vibration Based Fall Detector for Elderly [C]//Information and Communication Technologies.Damascus：IEEE，2006：1003-1007.

[5] LIN C，WANG S，HONG J，et al. Vision-Based Fall Detection through Shape Features [C]//In Proceedings of the IEEE Second International Conference on Multimedia Big Data （BigMM）.Taipei：IEEE，2016：237–240.

[6] GUNADI K，LILIANA，TJITROKUSMO J. Fall Detection Application using Kinect [C]//2017 International Conference on Soft Computing，Intelligent System and Information Technology （ICSIIT）.Denpasar，IEEE，2017：279-282.

[7] STONE E E，SKUBIC M. Fall Detection in Homes of Older Adults Using the Microsoft Kinect [J].IEEE journal of biomedical and health informatics，2015，19（1）：290–301.

[8] LIN T，MAIRE M，BELONGIE S，et al. Microsoft COCO：Common Objects in Context [C]//Computer Vision-ECCV 2014.Zurich：Springer，2014：740-755.

[9] SU B Y，HO K C，RANTZ M J，et al. Doppler Radar Fall Activity Detection Using the Wavelet Transform [J].IEEE Transactions on Biomedical Engineering，2015，62（3）：865-875.

[10] 彭澤.基于三維人體姿態(tài)估計的老人跌倒檢測 [D].鄭州：鄭州大學(xué)，2019.

[11] FENG Q，GAO C，WANG L，et al. Spatio-temporal fall event detection in complex scenes using attention guided LSTM [J].Pattern Recognition Letters，2018，130：242-249.

[12] LINA W，DING J. Behavior detection method of OpenPose combined with Yolo network [C]//2020 International Conference on Communications，Information System and Computer Engineering （CISCE）.Kuala Lumpur：IEEE，2020：326-330.

[13] MUSCI M，MARTINI D D，BLAGO N，et al. Online Fall Detection Using Recurrent Neural Networks on Smart Wearable Devices [J].IEEE Transactions on Emerging Topics in Computing，2021，9（3）：1276-1289.

作者簡介：胡昕（1997—），女，漢族，江西吉安人，碩士研究生在讀，研究方向：人工智能、計算機視覺、人體姿態(tài)估計；劉瑞安（1966—），男，漢族，河北趙縣人，教授，碩士研究生導(dǎo)師，博士，研究方向：視線跟蹤技術(shù)、人臉檢測和識別、通信技術(shù)和通信系統(tǒng)；黃玉蘭（1998—），女，漢族，江西贛州人，碩士研究生在讀，研究方向：機器學(xué)習(xí)、深度學(xué)習(xí)、數(shù)據(jù)挖掘。