由于人口老龄化,老人发生跌倒几率逐年增加,许多学者开始涉及跌倒检测这一研究领域。传统的检测方法一般使用单一的传感器,或者利用图像处理技术获取目标信息,以此判断跌倒行为。随着技术学习不断深入,多种传感器组合技术已逐渐成为主流,不仅能够提取多个传感器特征,而且准确率更高。本文使用加速度计以及摄像头两种传感采集目标行为数据,分析加速度及图像信息,选择能够区分跌倒与非跌倒的特征方法构建特征向量,并利用SVM(支持向量机)检测跌倒行为,实现多传感技术。本文侧重于对视频数据进行处理,即前景目标提取和特征提取,提出的内容主要包括:(1)建立人体行为数据库。本文采用两种方式获取数据特征,一是佩戴检测装置,利用加速度计实时获取不同行为状态的加速度特征;二是通过固定的摄像头采集图像数据,构建人体多种状态下的数据库。融合两种传感的特征数据对跌倒与非跌倒状态进行分析、预测。(2)轮廓提取。首先对采集的视频数据进行预处理,然后观察并比较轮廓提取效果图,确定轮廓提取算法。另外通过转换到HSV空间定位阴影区,再和前景进行“与”运算去除阴影部分,从而解决目标轮廓过大,导致提取的特征数据不适合跌倒检测的问题。(3)特征提取。本文除了使用质心相对高度、椭圆长轴、纵横比等方法,另外引入几何截线、中心线特征,通过分析视频中目标行走、跳跃、躺下、跌倒行为的特征波形图,比较特征方法的适用性。(4)跌倒检测。分别构建加速度特征、图像特征及融合特征向量组,并使用SVM进行跌倒判定,另外比较几何截线、中心线特征对测试结果的影响。本文设计的系统包括数据采集、接收、轮廓提取、特征提取和跌倒分类模块,能够保证系统的实时性和稳定性。与传统的基于阈值的判断方法相比,本文增加了信息获取来源以及提取特征的方法,通过对不同特征之间进行重组,构建准确率最优的特征组,降低系统误警率,提高判定跌倒与非跌倒行为的准确率。