跌倒事件检测是计算机视觉领域一个重要的研究课题,在智能家居、公共安全方面有十分广阔的前景。无论在家居或者公共场景下,跌倒事件检测方法可以在检测到跌倒事件发生后及时发出警报,为后续救治工作赢取宝贵时间。因此,研究跌倒事件检测方法具有重大意义。本文利用机器学习,对基于视频分析的跌倒事件检测问题展开研究。首先对独居情况下的跌倒事件检测方法进行了研究;然后,针对拥挤情况下跌倒事件数据集缺乏的问题,本文构建了一个新的拥挤情况下跌倒事件数据集;最后,在新构建的数据集基础上,展开了拥挤场景下跌倒事件检测方法研究工作。具体研究工作如下:本文在调研了多种跌到检测方法之后,提出了一种基于运动历史图像和方向梯度直方图特征的跌倒事件检测方法。该方法首先把faster R-CNN在输入的视频图像上检测行人得到的限定框映射到相应的运动历史图像上,进而得到运动历史图像子图;接着对每一张子图提取方向梯度直方图特征;最后使用支持向量机对特征向量进行分类,得到跌倒事件检测结果。通过与已发表的方法相比,实验结果表明此方法有效地提高了跌倒事件检测的召回率、准确率和实时性。但是这一方法适用于背景固定的独居跌倒事件场景,检测拥挤场景下的跌倒事件有一定难度。针对大部分拥挤踩踏事故均由跌倒事件引起的问题,以及在拥挤场景下跌倒事件检测方法研究中数据缺乏的问题,本文拍摄制作了一个多人复杂场景下的跌倒事件数据集,并提出了一种基于全卷积网络热度图的跌倒事件检测方法。在构建的数据集中,包括了三个场景下的六种行为事件。完成数据集的拍摄制作后,本文研究了一种基于全卷积网络热度图的跌倒事件检测方法。此方法中,首先用全卷积网络产生的热度图提取出候选框,然后提取候选框中的图像块。之后把图像块放入卷积网络中提取特征并分类,得到检测结果。实验结果表明,基于全卷积网络热度图的方法相较几种对比方法在此数据集上有更好的检测效果。