SSHFD：具有遮挡关节鲁棒性的单阶段人体跌倒检测
计算机视觉与模式识别
2020-04-06 v2
摘要
跌倒对老年人可能产生致命后果，尤其是当跌倒者因失去意识或受伤而无法呼救时。自动跌倒检测系统可通过及时发出跌倒警报，并减少独居在家时的跌倒恐惧来提供帮助。现有的基于视觉的跌倒检测系统由于缺乏对环境变化的泛化能力，面临体态外观差异、相机视角不同、遮挡和背景杂乱等挑战。本文探讨克服上述挑战的方法，提出基于深度学习的单图像自动跌倒检测框架——单阶段人体跌倒检测器（SSHFD）。这通过两项关键创新实现。首先，我们提出一种对人体外观特征具有不变性的基于姿态的跌倒表征。其次，我们提出对因身体部位遮挡而缺失关节具有鲁棒性的三维姿态估计与跌倒识别神经网络模型。在公开跌倒数据集上的实验表明，我们的框架成功地将仅从合成数据学习到的三维姿态估计与跌倒识别知识迁移至未见的真实世界数据，展示了其在真实场景中进行准确跌倒检测的泛化能力。
引用
@article{arxiv.2004.00797,
title = {SSHFD: Single Shot Human Fall Detection with Occluded Joints Resilience},
author = {Umar Asif and Stefan Von Cavallar and Jianbin Tang and Stefan Harrer},
journal= {arXiv preprint arXiv:2004.00797},
year = {2020}
}