人体跌倒干预目前多局限于跌倒检测,以便检测到后及时送医以避免造成更大损失,但是并不能避免跌倒发生。人体跌倒碰撞前行为检测旨在人体发生跌倒碰撞前检测跌倒行为的发生。本文开展人体跌倒碰撞前行为检测研究,分别使用可穿戴惯性传感器和Kinect摄像头采集人体跌倒的惯性传感数据和视频序列数据,基于可穿戴传感器、Kinect摄像头和多视角融合方法进行人体跌倒碰撞前行为检测研究,适用于多环境下人体跌倒保护。论文主要工作如下:（1）针对目前跌倒碰撞前行为检测方法误报率较高问题,通过惯性传感器测量人体运动加速度和角速度,采用组合阈值法对数据序列进行筛选,采用改进加权极限学习机构建分类器检测人体跌倒碰撞前行为。通过Sis Fall公开数据集训练和测试,准确率可达93.7%并且特异性提高至88.9%,最后通过自采集数据集验证可于碰撞前检测到所有跌倒并获得0.427s跌倒提前期。（2）针对可穿戴传感数据的不稳定性和穿戴依从性低的问题,提出基于视频传感器的人体跌倒碰撞前行为检测,通过Kinect采集RGB和RGB-D视频序列并使用非局部均值法对视频图像去噪。从视频提取局部累积帧特征,采用时域金字塔来生成不同时间间隔的累积特征并拼接得到。潜在全局网络进行部分序列与全部序列的对抗学习,挖掘部分序列的潜在全局信息。通过URFD数据集训练和测试,于观测比0.4、0.6和0.8时分别可达63.8%、77.0%和82.5%的准确率,最后通过自采集数据集验证可分别在提前期为0.318s、0.211s及0.105s时以64.3%、75.7%和84.3%的精度检测到跌倒。（3）针对真实环境中多遮挡复杂性和单视角人体跌倒碰撞前行为检测鲁棒性不足的问题,开展基于多视角融合的人体跌倒碰撞前行为检测研究。采集两个视角深度图像并通过前景与背景深度差异过滤得到轮廓图像,采用运动历史图像来描述每个动作序列,形成动作视频的时空形状。最后选取一个视角训练另一个视角测试的方式交叉完成训练及测试。通过URFD数据集训练和测试,于观测比0.4、0.6和0.8时分别可达66.1%、79.7%及84.1%的准确率,通过自采集数据集验证分别可在提前期0.318s、0.211s及0.105s时以70.7%、82.5%和90.2%的精度检测到跌倒。（4）设计并实现面向人体跌倒碰撞前行为检测的平台,包括固定端和移动端。移动端基于Android进行开发,负责收集由可穿戴设备采集的人体运动数据,进行基于可穿戴传感器的跌倒碰撞前行为检测,针对跌倒前预警并上传数据;固定端基于Java Web进行开发,负责收集和分析由Kinect采集的人体运动数据并完成跌倒碰撞前行为检测记录保存和查看。平台可以实时检测到跌倒碰撞前行为检测。