SDFA: 面向视频中高效人体跌倒检测的结构感知判别性特征聚合

老年人由于姿势不稳定和健康状况恶化而容易跌倒。及时获得医疗支持可以大大减轻后果。因此,人们对自动跌倒检测的兴趣日益浓厚,通常将其纳入智能医疗系统以提供更好的监控。现有系统侧重于可穿戴设备(不便)或视频监控(存在隐私问题)。此外,这些系统对其泛化能力的视角有限,因为它们在包含动作空间差异大且易于区分的少数活动的数据集上进行测试。复杂的日常场景由于姿势或运动相似而导致动作空间重叠的活动,带来了更大的挑战。为了克服这些限制,我们提出了一种名为 SDFA 的跌倒检测模型,该模型基于从低分辨率视频中提取的人体骨架。使用骨架数据确保了隐私,而低分辨率视频确保了低硬件和计算成本。我们的模型利用投影到共享高维空间的统一关节和运动特征,捕获判别性的结构位移和运动趋势。特别是,可分离卷积与强大的 GCN 架构相结合提供了更好的性能。在五个大规模数据集上进行的广泛实验以及广泛的评估设置表明,我们的模型以极低的计算复杂度实现了极具竞争力的性能,并且运行速度比现有模型更快。