常用的人体跌倒检测方法主要有基于可穿戴设备的检测法、基于环境信号的检测法和基于视频图像分析的检测法。与其它方法相比,计算机视觉分析方法具有分析速度快、受外界条件影响小等特点。本文分别研究了基于视觉图像的动态和静态的人体跌倒检测系统的原理和实现,本文主要的内容如下:第一,分析了人体跌倒检测研究的背景和意义,总结了国内外人体跌倒检测方法的现状以及这些方法的优势和存在的主要问题。介绍了Kinect开发平台原理及Kinect SDK开发包,以及如何利用微软提供的应用程序接口(API)获取骨骼数据。第二,搭建系统软硬件平台实现了基于Kinect的动态视频跌倒检测。动态视频跌倒检测原理是基于Kinect获取的人体关节点动态数据来分析人体运动速度和人体关键点的位置变化实现动态人体的跌倒检测。本文通过Kinect搭建硬件平台并编写相关软件实现了实时动态人体跌倒检测的功能。第三,针对基于静态图像的跌倒检测问题,本文提出了基于卷积神经网络进行人体关节点的检测方法,以检测得到的人体关节点信息和Kinect的位置信息为基础完成对静态图像中人体跌倒状态的识别,从而完成跌倒检测功能。方法首先使用Kinect完成RBG图像采集,并将RGB图像数据传递到后台深度学习服务器进行人体关节点分析,完成人体关节点分析后将得到的图像关节点信息传送到前台Windows系统中,前台将人体关节点信息和Kinect的位置信息相结合最终完成实时的对静态图像中人体跌倒状态的判断。测试结果表明,本文设计实现的静态跌倒检测系统准确率达到90%以上。