跌倒检测两个流cnn 使用两流卷积神经网络（CNN）和运动历史图像（MHI）进行实时跌倒检测 该存储库包含使用两流CNN的实时跌倒检测模型的代码。 光流被“运动历史图像”（MHI）取代，可以进行实时推断。 utils.py文件包含用于生成数据的实用程序代码，train_model.py文件创建并训练模型，而fall_detection.py文件包含使用FDD数据集上的weights文件夹中的权重运行模型的代码。视频或您的网络摄像头。 有关模型架构，性能以及在不久的将来会出现的演示画面/图片的详细说明。 在生成的数据子集上实现了相当不错的交叉验证错误率。 当前致力于获取更多数据并完善数据生成技术。

实时跌倒检测能为老年人和特别护理人员提供及时的帮助． 根据人体的运动学特征，提出一种基于三轴加速度传感器的人体跌倒行为的实时检测算法． 该算法通过提取运动时的超重强度、持续失重时间、倾斜角度、静止时间为特征值，在 Android智能手机上使用决策树进行实时处理． 该算法对传感器的放置方位无要求，选取日常动作和与跌倒加速度特征相似的动作进行测试，该算法的平均响应时间小于 6 秒，平均准确率达到 92% ，证明了该算法的有效性．

行业分类-物理装置-基于改进姿态估计算法的嵌入式平台实时跌倒检测方法.zip

为了快速、准确地检测老年人跌倒事件的发生,给出一种基于姿态估计的实时跌倒检测算法.首先利用基于深度学习的人体姿态估计算法得到人体关节点的坐标;然后,通过计算人体质心点的下降速度、跌倒后颈部关节点的纵坐标值是否大于阈值、以及肩部和腰部关节点的相对位置关系来判断跌倒是否发生.所给出的跌倒检测算法利用单目相机进行检测,便于以嵌入式方式应用于机器人.实验结果表明,所提出算法与当前先进方法相比取得了较好的效果.