移动机器人快速和稳健探测倒地人
提出了一种多相机 3D 行人检测方法,该方法不需要使用目标场景的数据进行训练,通过基于人体姿势和来自现成单目检测器的人物包围框的新启发式方法在地面平面上估计行人位置,然后将这些位置投影到世界地面平面,并用新的团覆盖问题公式进行融合,同时还提出利用域通用的行人再识别模型在融合期间对行人外貌的选择性步骤,评估表明,在具有挑战性的 WILDTRACK 数据集上,所提出的方法获得了 0.569 的 MODA 和 0.78 的 F 分数,优于现有的最先进的通用检测技术。
Apr, 2021
本文提出了用于智能交通系统中真实世界杂乱场景下人数自动计数的方法,其基于 RGB-D 数据集,使用深度视频的点云计算方法、3D 人体模型和轨迹跟踪来计数,得到高精度的计数结果。
Apr, 2018
通过多模式方法,使用手腕加速度计数据和传感器与摄像头数据的融合来检测老年人跌倒,并对其进行二分类标记,使用 UP-FALL 检测数据集进行实验,结果表明使用多种传感器数据并未显著提高跌倒检测的性能。
Feb, 2023
本综述文章讨论了基于深度学习和计算机视觉的非侵入式(基于视觉)人类跌倒检测技术,包括对跌倒检测基准数据集的调查和对不同评估指标的讨论,同时提出了基于视觉的人类跌倒检测技术未来的研究方向。
Jul, 2022
我们提出了一种隐私保护的解决方案,通过在训练过程中利用标记的 RGB 数据和未标记的深度数据,实现了跨模态的跌倒检测。我们的方法在无监督的 RGB 到深度领域适应任务中取得了最先进的结果。
Aug, 2023
本文提出了一种基于单目视频预测人们跌倒的新方法,利用身体关键点的姿势预测模块和跌倒分类器的联合训练,通过对 191 个视频数据集的对比实验展示了预测未来跌倒的有效性。
Aug, 2019
本文提出了单图像人体坠落检测器 (SSFD),通过人体姿势感知、3D 姿势估计和坠落识别实现对于老年人及时的坠落检测和预警,从而提高其在家中的安全性。实验结果表明,该深度学习模型具有较强的泛化性能和准确率。
Apr, 2020