تشخيص افتادن سالمندان با استفاده از دوربين‌هاي مداربسته در شرايط انسداد اعضاي بدن در زاويه‌ي ديد دوربين

Elderly Fall Detection Under Partial Occlusion of Subject s Body in the Camera s Field of View Using CCTV Cameras

پديده‌ي سقوط يكي از مشكلات جدي در زندگي سالمندان است و عواقب ناگواري به همراه دارد. ما در اين پژوهش، مشكل انسداد در سامانه‌هاي تشخيص سقوط كه بر پايه روش‌هاي مبتني بر بينايي ماشين طراحي شده‌اند را موردبررسي قرار مي‌دهيم و راه‌حلي كارآمد براي مقابله با اين مشكل ارايه مي‌كنيم. در اين راستا، ابتدا بر روي مجموعه دادگان موجود، انسدادهاي معنادار به وجود مي‌آوريم. سپس با تعريف يك تابع هزينه جديد، رويكردي براي آموزش هدفمند مدل ارايه مي‌دهيم. در گام آخر، دو مدل مبتني بر روش‌هاي غير عميق و عميق را معرفي كرده و ميزان اثرگذاري آموزش هدفمند را بر روي اين دو مدل، ارزيابي مي‌كنيم. آزمايش‌ها نشان مي‌دهد، روش پيشنهادي اين پژوهش، صحت طبقه‌بندي در شرايط انسداد را براي مدل غير عميق 23% و براي مدل عميق 70% بهبود داده است.

One of the most possible dangers that older people face in their daily lives is falling. Among the computer vision challenges, occlusion is one of the biggest challenges of vision-based fall detection systems and degrades their performance considerably. In this article, we provide an effective solution for occlusion handling in vision-based fall detection systems. To tackle this problem, we created various and meaningful occlusions using the existing fall detection datasets. These occlusions cover one part of a person s body in a way that an area along the entire video sequence is occluded. Then, by defining a new cost function, we introduced a framework for purposeful model training. This framework can be applied to various fall detection systems. Finally, we choose two models based on non-deep and deep methods and evaluate the impact of purposeful training on these two models. Experiments show that the proposed method of this research has improved the classification accuracy by 23% for the non-deep model and 70% for the deep model in occlusion conditions.