《表4 结果对比：基于卷积神经网络和XGBoost的摔倒检测》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于卷积神经网络和XGBoost的摔倒检测》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

%

与已有的算法相比，文献[10]利用人体的宽高比进行基本的判断，对于利用人体宽高比无法判断的情况使用CNN进行判别，为了提升准确率，此算法需要大量的数据对神经网络进行训练，训练集为10000张样本（5000张正样本、5000张负样本）、测试集为1919张样本的情况下的结果对应表4中Ref.[10]；文献[11]使用了基于Kinect骨架追踪的摔倒检测算法，这种算法的设备成本相对较高，该算法主要有两个判定条件：一是人体质心的运动速度；二是人体质心的空间高度。对5个实验者进行共计400次的实验，成功率为93.0%；文献[20]提出的摔倒检测算法的主要思想是使用背景减除法提取前景，使用运动历史图表征运动状态，对前景使用椭圆拟合获得人体姿态参数，最后根据运动状态和人体姿态参数进行摔倒判定，该实验的实验次数为25次（实验室场景模拟），并且在测试集中加入了干扰项，由于该算法利用的是背景减除法，因此需要加入背景的移动（如背景中的书包、衣物等），也正是由于背景减除法的特点，该算法的准确率不是很高；文献[21]通过视频帧间差分法提取出运动目标，结合人体宽高比x以及有效面积比y进行摔倒判定，最后用人体中心变化z（即相邻两帧之间人体中心的欧氏距离）对判定结果进行修正，文献[21]的测试集与本文实验中的测试集较为相似，人体姿态大致相同，该算法在参数x、y、z分别设置为1.18，0.46，6.5的情况下达到最佳效果，其优点是不需要太大的数据集并且算法原理比较简单，计算速度较快，准确率也比较高，但是参数的选择随着应用场景的不同而变化，需要针对特定环境进行调参，普适性较差，结果如表4所示。综上所述，本文算法在对训练集样本数量要求不高的情况下（3769张），可以达到较高的准确性，并且处理速度可达到25frame/s左右。