跌倒作为老年群体中频发的具有高危险系数的异常行为,不仅会严重影响老年人的身心健康,还会给公共卫生事业带来巨大的压力。人工看护效果虽然好,但需要耗费大量的精力且效率非常低。随着摄像头等监控设备的普及,人体行为活动可以被记录在视频数据中。因此基于视频的人体行为研究具有重要的研究价值和社会意义。为了有效地从日常行为中区分出跌倒,本文对目标检测及行为特征提取,跌倒判别和基于上下文的视频跌倒检测进行了研究,主要工作内容如下:(1)目标检测及行为特征提取:现有的大多数跌倒检测方法在前景目标提取过程中稳定性不强,容易受到运动背景等因素干扰,导致前景检测效果差。另外人体行为活动复杂多样,提取的行为特征单一或不具有代表性则无法获得较好的检测效果。对此本文首先采用YOLO v3模型检测并定位出场景中的目标对象-人体。在此基础上对室内人体行为活动进行分析,根据人眼视觉认知特性提取人体形态比、运动速度、中心高度及其变化率等表征效果好的行为特征,融合成具有时序信息的行为特征序列用于检测跌倒。(2)跌倒判别:传统的跌倒方法大多是对单帧图像进行动作判别,没有考虑图像间的时序信息。对此提出使用卷积神经网络来学习特征数据的模式和变化,分类人体行为。为了进一步提高网络模型获取特征序列的全局信息的能力,使用统计特征来帮助从日常行为中准确地区分出跌倒行为。(3)基于上下文的跌倒检测:由于人体行为的时空信息被编码在连续的视频图像中,为了提取鲁棒的行为特征,发掘场景上下文信息,本文提出了一种基于上下文的跌倒检测方法。通过使用三维卷积网络对人体的外观和运动进行建模,提取表征能力强的时空特征来描述人体的行为活动;接着将提取的行为特征送入到双向LSTM中做高层时空特征建模,充分学习跌倒前后的帧间信息,提高行为识别的准确率。实验结果表明基于视觉认知的行为特征能够有效地描述人体行为活动,基于卷积神经网络的跌倒判别方法在公共数据集上对比了其它几种跌倒检测方法具有较好的综合检测性能。此外,通过模拟室内场景环境收集了大量行为视频数据用于训练和测试基于上下文的跌倒检测模型,实验结果表明该模型能够有效地检测跌倒行为,同时端对端的结构避免了传统方法分步设计的繁琐。