تشخیص افتادن سالمندان با استفاده از دوربین‌های مداربسته در شرایط انسداد اعضای بدن در زاویه‌ی دید دوربین

پدیده‌ی سقوط یکی از مشکلات جدی در زندگی سالمندان است و عواقب ناگواری به همراه دارد. ما در این پژوهش، مشکل انسداد در سامانه‌های تشخیص سقوط که بر پایه روش‌های مبتنی بر بینایی ماشین طراحی شده‌اند را موردبررسی قرار می‌دهیم و راه‌حلی کارآمد برای مقابله با این مشکل ارایه می‌کنیم. در این راستا، ابتدا بر روی مجموعه دادگان موجود، انسدادهای معنادار به وجود می‌آوریم. سپس با تعریف یک تابع هزینه جدید، رویکردی برای آموزش هدفمند مدل ارایه می‌دهیم. در گام آخر، دو مدل مبتنی بر روش‌های غیر عمیق و عمیق را معرفی کرده و میزان اثرگذاری آموزش هدفمند را بر روی این دو مدل، ارزیابی می‌کنیم. آزمایش‌ها نشان می‌دهد، روش پیشنهادی این پژوهش، صحت طبقه‌بندی در شرایط انسداد را برای مدل غیر عمیق 23% و برای مدل عمیق 70% بهبود داده است.

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

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.