基于卷积神经网络和XGBoost的摔倒检测 
下载： 1067次
Fall Detection Based on Convolutional Neural Network and XGBoost
1 中国科学院上海微系统与信息技术研究所无线传感网与通信重点实验室, 上海 201800
2 中国科学院大学, 北京 100864
图 & 表
图 1. 算法总体流程图
Fig. 1. Overall flow chart of algorithm
下载图片 查看原文
图 2. SE模块结构
Fig. 2. Architecture of SE block
下载图片 查看原文
图 3. 人体姿态估计的结构图
Fig. 3. Architecture of human pose estimation
下载图片 查看原文
图 4. 部分特征值选取示意图。(a)部分关节点以及关节角度;(b)躯干相对位置向量
Fig. 4. Schematic diagram of partial eigenvalue selection. (a) Some joints and joint angles; (b) body relative position vector
下载图片 查看原文
图 5. 训样样本(站立)。(a)斜侧方向行走;(b)背向行走;(c)侧向行走;(d)正面站立
Fig. 5. Training samples (standing). (a) Walking in oblique direction; (b) backward walking; (c) lateral walking; (d) front standing
下载图片 查看原文
图 6. 训样样本(跌倒)。(a)正面半跌倒;(b)侧面半跌倒;(c)平躺;(d)俯卧
Fig. 6. Training sample (falling). (a) Front half fall; (b) side half fall; (c) lie; (d) prostration
下载图片 查看原文
图 7. 训样样本(坐)。(a)左侧坐姿;(b)右侧坐姿
Fig. 7. Training sample (sitting). (a) Sitting posture of left; (b) sitting posture of right
下载图片 查看原文
图 8. 姿态估计结果示例。(a)跌倒姿态骨骼检测;(b)坐姿骨骼检测;(c)站姿骨骼检测;(d)人体站姿17个关节点坐标分布
Fig. 8. Examples of pose estimation results. (a) Fall posture bone detection; (b) sitting posture bone detection; (c) standing posture bone detection; (d) coordinate distribution of 17 joints of standing posture of human body
下载图片 查看原文
图 9. XGBoost的第一棵子树
Fig. 9. First subtree of XGBoost
下载图片 查看原文
图 10. 实际场景检测结果。(a)半跌倒;(b)侧卧跌倒
Fig. 10. Test results of actual scene. (a) Half fall; (b) fall on one side
下载图片 查看原文
图 11. 不同算法的对比。(a)相同姿态下本文的算法;(b)文献[
10]检测不佳的姿态
Fig. 11. Comparison of different algorithms. (a) Algorithm in this paper under the same posture; (b) poor posture detected in Ref. [10]
下载图片 查看原文
表 1实验结果
Table1. Experimental results
| Item | Number of images |
|---|
| Image predicted as falling | 250 | | Image predicted as standing | 263 | | Image predicted as sitting | 237 | | Image of actual falling | 250 | | Image of actual standing | 250 | | Image of actual sitting | 250 |
|
查看原文
表 2混淆矩阵
Table2. Confusion matrix
| Confusion matrix | Actual value | |
|---|
| Positive | Negative |
|---|
| Predictedvalue | Positive | ITP | IFP | | Negative | IFN | ITN |
|
查看原文
表 3分类评价指标
Table3. Classification evaluation indexes
| Index | For falling | For standing | For sitting |
|---|
| Accuracy | 0.983 | 0.983 | 0.983 | | Precision | 1.000 | 0.951 | 1.000 | | Recall | 1.000 | 1.000 | 0.948 | | F1 | 1.000 | 0.975 | 0.973 |
|
查看原文
表 4结果对比
Table4. Comparison of results%
| Algorithm | Accuracy |
|---|
| Method in Ref. [10] | 91.3 | | Method in Ref. [11] | 93.0 | | Method in Ref. [20]Method in Ref. [21] | 91.096.0 | | RMPE+XGBoost (ours) | 98.3 |
|
查看原文
赵心驰, 胡岸明, 何为. 基于卷积神经网络和XGBoost的摔倒检测[J]. 激光与光电子学进展, 2020, 57(16): 161024. Xinchi Zhao, Anming Hu, Wei He. Fall Detection Based on Convolutional Neural Network and XGBoost[J]. Laser & Optoelectronics Progress, 2020, 57(16): 161024.
PDF全文
