随着老龄化问题及空巢问题的出现,老年人群受到了越来越多的关注,经调查发现：跌倒是老年人意外伤亡的第一要素,且发生相对频繁,所造成的伤害相对较大,为了能够改善老年人的生活质量,减小跌倒所带来的身体伤害及财产损失,本文对跌倒行为进行了研究。通常对于跌倒行为的研究方法分为三种：基于可穿戴设备的跌倒检测方法、基于外周传感器的跌倒检测方法、基于视频监控的跌倒检测方法。前两种方法识别率相对较低且环境依赖性较强,基于视频监控的方法识别率相对较高且能够同时检测多个事件,并具有记录功能以便事后分析查证,故此,本文选择基于视频监控的方法对跌倒行为进行研究。首先,在目标检测阶段,本文采用背景差分法进行运动目标的提取。先用中值法建立初始背景帧,改善传统方法采用第一帧作为初始背景导致算法收敛速度慢的问题；再用混合高斯法进行背景模型的建立与更新；然后通过匹配算法将前景目标和背景区分开。其次,采用改进HSV颜色空间的阴影检测算子进行阴影消除,省去了参数选择的麻烦；针对基于颜色的方法进行阴影消除的缺陷,本文提出融合颜色特征和梯度特征共同消除阴影,由于传统梯度算子在场景复杂的情况下提取出来的目标轮廓并不完整,本文选择从0°、45°、90°、135°四个方向来检测目标边缘,两者融合之后,得到的目标更加完整。然后,采用具有平移、旋转、尺度不变性的Hu矩的前四个计算量比较小的不变矩,与高宽比、姿态变化率、运动速率这几个特征共同组成7维向量作为该帧图像的特征向量；再通过隔帧抽取,每个动作周期提取15帧图像,共组成105维特征数据作为表征一种行为的共同特征。最后,用支持向量机对行走、慢跑、坐下、下蹲、弯腰、跌倒这六种常见的日常行为进行分类与识别。先通过高宽比将六种行为分为两大类：直立状态和非直立状态,对于直立状态的两种行为只需要构建一个二分类支持向量机便可以将二者区分开,而其余四种行为则需要构建6个二分类支持向量机,经过这样的分组既减少了构造支持向量机的数量同时又提高了分类速率。为了对行为识别的结果进行定量评估,本文引入两个指标：灵敏度和特异度,灵敏度越高表示漏检率越低,特异度越高表明误检率越低。经实验验证,本文方法能够较好地识别6种不同行为,且灵敏度和特异度均较高。据统计数据显示,本文方法的样本平均正确识别率为92%。