近年来,中国人口老龄化程度日益严重。老年人身体机能退化、步伐不灵活、感官反应慢、重心不稳易失去平衡,这些都是导致跌倒的主要原因。由于子女在外工作,不能每时每刻陪在父母身边,老年人在家跌倒了没有得到及时救治的事情时有发生,这样独居老人的跌倒及时救治问题就成了一个值得深入研究的课题。基于穿戴设备的检测系统,利用三轴加速度传感器可以检测到人在跌倒瞬间撞击地面引起的加速度峰值变化,从而根据阈值判断是否跌倒。基于计算机视觉的检测系统,可以根据相关人体轮廓特征值质心、外接矩的长宽比、外接椭圆离心率,通过支持向量机(SVM)分类识别人体是否跌倒。本文提出将加速度传感器的跌到检测与计算机视觉的跌到检测相结合,相互弥补检测系统中的不足,解决一些误判行为,提高识别率。本文首先建立实验视频库,利用实验设备拍摄行走、跌倒、跳跃、蹲下、躺下各种姿态视频若干组用于训练和测试。然后通过混合高斯背景建模的差分法从采集的视频帧序列中提取前景目标。利用图像处理技术滤波、形态学、轮廓尺寸筛选优化提取的前景目标,为后续获取理想的特征值数据提供基础。其次,利用微处理器、三轴加速度传感器、蓝牙通信模块、电源模块组成加速度数据采集系统,采集和分析加速度特征值。利用拍摄的视频提取前景目标的外接矩的长宽比和质心特征,作为分类识别跌倒检测的图像特征。最后,以实验室自己拍摄的多行为姿态视频库为样本,选用支持向量机机器学习方法对人体跌倒和正常行为姿态进行分类训练和测试。实验结果中单独使用加速度特征的跌倒检测识别率为97.9%,单独使用图像特征的跌到检测识别率为85%,融合两者特征值的跌倒检测的识别率为99.7%,误检率仅为0.3%。融合特征检测既有加速度特征可以解决人体躺下与跌倒的误判的优点,又有图像特征可以解决人体跳跃与跌倒的误判的优点,从而有效地提高识别率。