Existing fall detection systems are

Existing fall detection systems are classified into wearable
and non-wearable systems. Wearable systems rely on devices
that utilize several kinds of sensors such as accelerometers
and gyroscopes to detect falls [4], [5], [6]. Such devices
depend on the elderly to wear them all the time, which
might not be very convenient. In addition, those devices
require periodic recharging, which make them susceptible
to be forgotten to be worn. Moreover, such devices might
not differentiate between a fall and a regular activity like
going down the stairs.
Non-wearable fall detection systems utilize environmental
devices such as 2D video cameras, motion-capturing systems,
and RGB-D cameras. Rougier et al. [7] proposed a
method to detect falls by analyzing human shape deformation
during a video sequence using Gaussian mixture models.
Their approach fails to detect the fall when the person body
is showing small shape deformation such as when the person
is sleeping on the bed. In a different study [8], the 3D
head pose was tracked using monocular 2D cameras to crate
3D trajectory of the head to distinguish falls from normal
activities using 3D velocities. Auvinet et al. [9] proposed
an approach to detect falls based on reconstructing the 3-
D shape of an elderly person using multiple cameras. The
proposed system triggers an alarm when a major part of
the person’s volume distribution along the vertical axis is
abnormally near the floor.
In the aforementioned approaches, the input was either 2D
video, or the extracted human joint positions using a motioncapturing
system, or 3D-reconstruction using multiple cameras.
The use of 2D videos makes the approaches sensitive
to occlusions, cluttered background, shadow, variation in illumination,
and view-point changes, leading to low accuracy
in detecting falls. Although motion-capturing systems and
multiple-cameras systems may solve the above problems, the
requirement of mounting sensing devices on the people, the
calibration process of the sensors, and the high cost of these
equipments makes it infeasible
Recently, Microsoft has offered Kinect sensor that combines
both RGB camera and depth sensor at a reasonable low
cost. Unlike 2D cameras, Kinect is capable of tracking the
body-movements in 3D for up to six persons. Furthermore,
using only the depth images, person’s privacy can be preserved.
These advantages have attracted many researchers
to use Kinect sensors for human activity analysis and fall
detection. Zhang et al. [10] utilized 3D depth information
to construct a kinematic model for the monitored person to
extract features that are fed into a hierarchy classification
scheme and recognize the category of the person’s activities.
Huang and Pan [11] proposed a frame-by-frame fall detection
system based on real-time RGB-D cameras. Despite the
high accuracy rate achieve by their proposed system, the
system is based on a frame-wise classification which does
not take into consideration the temporal variations in the
falling event. Garrido et al. [12] utilized Kinect sensors in
a system that detects falls and triggers an alert. Gasparrini
et al. [13] proposed an automatic, privacy-preserving, fall
detection method that utilizes the Kinect depth sensor. In
their suggested method, a fall is detected if the depth blob
associated with a person is near the floor.
The main advantage of our proposed approach compared
to the aforementioned methods is the anatomical-plane-based
human representation. The proposed representation is semantically
meaningful and consists of motion and pose human
profiles that are constructed at each video frame to describe
human activities. In addition, we developed a hierarchy classification framework that utilizes the proposed representation
for analyzing the human activity in a video sequence. The
framework takes into consideration the temporal variations
of different activities, which reduces the false classification
rate that occurs when frames are classified independently.

ผลลัพธ์ (ไทย) 1:

ระบบตรวจสอบตกอยู่แบ่งควิลท์และระบบไม่ควิลท์ ระบบ wearable พึ่งอุปกรณ์ที่ใช้หลายชนิดของเซ็นเซอร์เช่นหัวและ gyroscopes สืบตก [4], [5], [6] อุปกรณ์ดังกล่าวขึ้นอยู่กับผู้สูงอายุจะสวมใส่พวกเขาตลอดเวลา ที่อาจไม่ได้มาก นอกจากนี้ อุปกรณ์เหล่านั้นต้องไปเป็นครั้งคราว ซึ่งทำให้ไวต่อที่จะลืมสึก นอกจากนี้ อุปกรณ์ดังกล่าวอาจไม่แตกอยู่และกิจกรรมทั่วไปเช่นไปลงบันไดระบบตรวจสอบการสวมใส่ได้ไม่ตกใช้สิ่งแวดล้อมอุปกรณ์ต่าง ๆ เช่นกล้องวิดีโอ 2 มิติ ระบบจับภาพเคลื่อนไหวและกล้อง RGB D Rougier et al. [7] นำเสนอเป็นวิธีการตรวจสอบอยู่ โดยการวิเคราะห์รูปร่างมนุษย์แมพในระหว่างลำดับวิดีโอโดยใช้รูปแบบ Gaussian ผสมวิธีการของพวกเขาไม่สามารถตรวจพบฤดูใบไม้ร่วงเมื่อร่างกายคนแสดงรูปร่างเล็กแมพเช่นเมื่อบุคคลนอนบนนอน ในแบบต่าง ๆ ศึกษา [8], 3Dก่อให้เกิดหัวถูกติดตามโดยใช้กล้อง monocular 2D กับลังตกวิถี 3D ของหัวเพื่อแยกความแตกต่างจากปกติกิจกรรมที่ใช้ 3D ตะกอน นำเสนอ Auvinet et al. [9]วิธีการตรวจหาน้ำตกตามบูรณะ 3-ทรงเป็นผู้สูงอายุที่ใช้กล้องหลาย D ที่ปลุกเมื่อส่วนใหญ่ของทริกเกอร์ระบบนำเสนอกระจายเสียงของบุคคลตามแกนแนวตั้งเป็นอย่างผิดปกติใกล้ชั้นในแนวทางดังกล่าว การป้อนข้อมูลได้ทั้ง 2Dวิดีโอ หรือแยกมนุษย์ร่วมตำแหน่งใช้เป็น motioncapturingระบบ หรือใช้กล้องหลายฟื้นฟู 3Dการใช้วิดีโอ 2D ทำให้แนวทางสำคัญocclusions พื้นหลัง cluttered เงา ความผันแปรในรัศมีและการเปลี่ยน แปลงของจุดชมวิว นำไปสู่ความถูกต้องต่ำในการตรวจสอบตก แม้ว่าการจับภาพเคลื่อนไหวระบบ และกล้องหลายระบบอาจแก้ไขปัญหาข้างต้น การความต้องการของติดตั้งอุปกรณ์กับคน การตรวจการกระบวนการปรับเทียบของเซนเซอร์ และต้นทุนสูงเหล่านี้อุปกรณ์ช่วยให้ถอดล่าสุด Microsoft ได้นำเสนอเซ็นเซอร์ Kinect ที่รวมทั้ง RGB กล้องและความลึกของเซ็นเซอร์ที่ต่ำที่เหมาะสมต้นทุนการ ซึ่งแตกต่างจากกล้อง 2D, Kinect จะสามารถติดตามการร่างกายเคลื่อนไหวใน 3 มิติสำหรับหกคน นอกจากนี้ใช้เฉพาะความลึกของภาพ ความเป็นส่วนตัวของบุคคลจะรักษาข้อดีเหล่านี้ได้ดึงดูดนักวิจัยจำนวนมากใช้เซนเซอร์ Kinect สำหรับวิเคราะห์กิจกรรมมนุษย์ และตกตรวจสอบ ข้อมูลความลึกของ 3D ใช้เตียว et al. [10]การสร้างแบบจำลองจลน์สำหรับบุคคลตรวจสอบแยกคุณลักษณะที่จะได้รับการจัดประเภทตามลำดับชั้นแผนงาน และจำแนกประเภทของกิจกรรมของบุคคลหวงปาน [11] การนำเสนอและตรวจตกเฟรมโดยเฟรมระบบยึดกล้อง RGB-D แบบเรียลไทม์ แม้มีการให้อัตราความแม่นยำสูง ด้วยระบบการนำเสนอ การระบบจะขึ้นอยู่กับประเภท frame-wise ซึ่งไม่ไม่คำนึงถึงรูปแบบชั่วคราวในการเหตุการณ์ล้ม เซนเซอร์ Kinect ในการใช้ Garrido et al. [12]ระบบที่ตรวจพบตก และทริกเกอร์ข้อความแจ้งเตือน Gasparrinial. ร้อยเอ็ด [13] นำเสนออันอัตโนมัติ ข้อมูลส่วนบุคคล สงวน ฤดูใบไม้ร่วงวิธีการตรวจที่ใช้เซนเซอร์ Kinect ลึก ในวิธีการแนะนำของพวกเขา ฤดูใบไม้ร่วงจะพบถ้าความลึกบล็อบเกี่ยวข้องกับบุคคลที่อยู่ใกล้กับพื้นข้อดีหลักของวิธีการนำเสนอของเราเปรียบเทียบวิธีการดังกล่าวเป็นการกายวิภาคเครื่องบินตามแทนมนุษย์ แสดงการนำเสนอเป็นประโยคความหมาย และประกอบด้วยการเคลื่อนไหวและก่อให้เกิดมนุษย์โพรไฟล์ที่สร้างขึ้นในแต่ละเฟรมของวิดีโอเพื่ออธิบายกิจกรรมต่าง ๆ ของมนุษย์ นอกจากนี้ เราพัฒนากรอบจัดประเภทตามลำดับชั้นที่ใช้แสดงการนำเสนอการวิเคราะห์กิจกรรมมนุษย์ในลำดับวิดีโอ ที่กรอบจะพิจารณารูปแบบชั่วคราวกิจกรรมต่าง ๆ ซึ่งลดการจัดประเภทเท็จอัตราที่เกิดขึ้นเมื่อเฟรมแบ่งออกเป็นอิสระ

ผลลัพธ์ (ไทย) 2:

ระบบตรวจจับที่มีอยู่ในฤดูใบไม้ร่วงจะแบ่งออกเป็นเครื่องแต่งตัว
ระบบและไม่สวมใส่ได้ ระบบ Wearable พึ่งพาอุปกรณ์
ที่ใช้หลายชนิดของเซ็นเซอร์เช่น accelerometers
และลูกข่างที่จะตรวจสอบตก [4] [5] [6] อุปกรณ์ดังกล่าว
ขึ้นอยู่กับผู้สูงอายุที่จะสวมใส่พวกเขาตลอดเวลาซึ่ง
อาจจะไม่สะดวกมาก นอกจากนี้อุปกรณ์เหล่านั้น
จำเป็นต้องมีการชาร์จไฟเป็นระยะ ๆ ซึ่งทำให้พวกเขามีความอ่อนไหว
ที่จะลืมที่จะสวมใส่ นอกจากนี้อุปกรณ์ดังกล่าวอาจจะ
ไม่แตกต่างระหว่างฤดูใบไม้ร่วงและกิจกรรมปกติเช่น
ไปลงบันได.
ระบบตรวจจับการล่มสลายไม่สวมใส่ได้ใช้ประโยชน์จากสิ่งแวดล้อม
อุปกรณ์เช่น 2D กล้องวิดีโอระบบการเคลื่อนไหวจับภาพ
และ RGB-D กล้อง Rougier และคณะ [7] เสนอ
วิธีการที่จะตรวจสอบตกโดยการวิเคราะห์ความผิดปกติรูปร่างของมนุษย์
ในช่วงลำดับวิดีโอโดยใช้แบบจำลองส่วนผสมเสียน.
วิธีการของพวกเขาล้มเหลวในการตรวจสอบการล่มสลายเมื่อร่างกายของคนที่
มีการแสดงการเสียรูปทรงขนาดเล็กเช่นเมื่อคนที่
กำลังนอนหลับอยู่บนเตียง ในการศึกษาที่แตกต่างกัน [8], 3D
หัวท่าถูกติดตามโดยใช้กล้อง 2D ตาข้างเดียวลัง
วิถี 3D ของหัวที่จะแยกแยะการตกจากปกติ
กิจกรรมโดยใช้ความเร็ว 3D Auvinet และคณะ [9] เสนอ
วิธีการในการตรวจสอบการตกอยู่บนพื้นฐานของการฟื้นฟู 3
D รูปร่างของผู้สูงอายุโดยใช้กล้องหลายตัว
ระบบที่นำเสนอทริกเกอร์เตือนเมื่อส่วนหนึ่งที่สำคัญของ
การกระจายปริมาณของบุคคลตามแนวแกนตั้งเป็น
อย่างผิดปกติซึ่งอยู่ใกล้กับพื้น.
ในวิธีการดังกล่าวข้างต้นมีการป้อนข้อมูลได้ทั้งแบบ 2 มิติ
วิดีโอหรือตำแหน่งร่วมกันของมนุษย์สกัดโดยใช้ motioncapturing
ระบบหรือ 3D -reconstruction ใช้กล้องหลายตัว.
การใช้วิดีโอ 2D ทำให้วิธีการที่มีความสำคัญ
ที่จะ occlusions, พื้นหลังรก, เงา, การเปลี่ยนแปลงในการส่องสว่าง,
และการเปลี่ยนแปลงมุมมองจุดที่นำไปสู่ความแม่นยำต่ำ
ในการตรวจสอบตก แม้ว่าระบบการจับภาพเคลื่อนไหวและ
ระบบหลายกล้องอาจจะช่วยแก้ปัญหาดังกล่าวข้างต้น
ความต้องการของการติดตั้งอุปกรณ์ตรวจวัดกับคน,
การสอบเทียบของเซ็นเซอร์และค่าใช้จ่ายสูงเหล่านี้
อุปกรณ์ที่ทำให้มันเป็นไปไม่ได้
เมื่อเร็ว ๆ นี้ไมโครซอฟท์ได้นำเสนอเซ็นเซอร์ Kinect ที่รวม
ทั้งกล้อง RGB และเซ็นเซอร์เชิงลึกที่ต่ำที่เหมาะสม
ค่าใช้จ่าย ซึ่งแตกต่างจากกล้อง 2D, Kinect ที่มีความสามารถในการติดตาม
การเคลื่อนไหวของร่างกายในแบบ 3 มิติได้ถึงหกคน นอกจากนี้
การใช้เพียงภาพความลึกความเป็นส่วนตัวของบุคคลที่สามารถเก็บรักษาไว้.
ข้อดีเหล่านี้ได้ดึงดูดนักวิจัยหลายคน
ที่จะใช้เซ็นเซอร์ Kinect สำหรับการวิเคราะห์กิจกรรมของมนุษย์และตก
การตรวจสอบ Zhang et al, [10] ใช้ข้อมูลเชิงลึก 3 มิติ
ที่จะสร้างแบบจำลองจลนศาสตร์สำหรับคนตรวจสอบเพื่อ
ดึงคุณสมบัติที่จะป้อนเข้าจำแนกลำดับชั้นของ
โครงการและรับรู้ประเภทของกิจกรรมของบุคคลนั้น.
Huang และแพน [11] เสนอฤดูใบไม้ร่วงกรอบโดยกรอบ การตรวจสอบ
ระบบขึ้นอยู่กับเวลาจริง RGB-D กล้อง แม้จะมี
อัตราความแม่นยำสูงบรรลุโดยระบบที่นำเสนอของพวกเขา
ระบบจะขึ้นอยู่กับการจัดหมวดหมู่กรอบฉลาดที่ไม่
ได้คำนึงถึงรูปแบบชั่วคราวใน
กรณีที่ลดลง Garrido และคณะ [12] ใช้เซ็นเซอร์ Kinect ใน
ระบบที่ตรวจพบน้ำตกและเรียกการแจ้งเตือน Gasparrini
และคณะ [13] ที่นำเสนอโดยอัตโนมัติรักษาความเป็นส่วนตัวตก
วิธีการตรวจสอบที่ใช้เซ็นเซอร์ Kinect ความลึก ใน
วิธีที่แนะนำของพวกเขาในฤดูใบไม้ร่วงถ้ามีการตรวจพบหยดเชิงลึก
ที่เกี่ยวข้องกับคนที่อยู่ใกล้พื้น.
ประโยชน์หลักของวิธีการนำเสนอของเราเมื่อเทียบ
กับวิธีการดังกล่าวข้างต้นเป็นกายวิภาคเครื่องบินที่ใช้
เป็นตัวแทนของมนุษย์ การแสดงที่นำเสนอเป็นความหมาย
ที่มีความหมายและประกอบด้วยการเคลื่อนไหวและก่อให้เกิดมนุษย์
โปรไฟล์ที่ถูกสร้างขึ้นในเฟรมวิดีโอแต่ละที่จะอธิบาย
การกระทำของมนุษย์ นอกจากนี้เรายังได้รับการพัฒนากรอบการจำแนกลำดับชั้นที่ใช้เป็นตัวแทนนำเสนอ
การวิเคราะห์กิจกรรมของมนุษย์ในลำดับวิดีโอ
กรอบเวลาในการพิจารณารูปแบบชั่วคราว
ของกิจกรรมที่แตกต่างกันซึ่งจะช่วยลดการจัดหมวดหมู่เท็จ
อัตราที่เกิดขึ้นเมื่อเฟรมถูกจัดประเภทเป็นอิสระ

ผลลัพธ์ (ไทย) 3:

ระบบตรวจจับที่มีอยู่ตกลงแบ่งเป็นเครื่องแต่งตัว
และระบบได้ไม่ ระบบได้พึ่งพาอุปกรณ์
ที่ใช้เซนเซอร์ชนิดต่างๆ เช่น การตรวจสอบและ accelerometers
gyroscopes ตก [ 4 ] , [ 5 ] [ 6 ]
อุปกรณ์ดังกล่าวขึ้นอยู่กับผู้สวมใส่พวกเขาตลอดเวลา ซึ่ง
อาจจะสะดวกมาก นอกจากนี้ อุปกรณ์เหล่านั้น
ต้องเป็นระยะๆ ชาร์ทซึ่งทำให้พวกเขาเสี่ยง
จะลืมใส่ . นอกจากนี้ อุปกรณ์ดังกล่าวอาจ
แยกความแตกต่างระหว่างฤดูใบไม้ร่วงและกิจกรรมปกติเช่น

ไม่ต้องลงบันได เครื่องแต่งตัวล้มระบบตรวจจับใช้อุปกรณ์สิ่งแวดล้อม
เช่นกล้องวิดีโอ 2D เคลื่อนไหวจับภาพระบบ
และกล้อง rgb-d . rougier et al . [ 7 ] เสนอวิธีการตรวจจับฟอลส์โดยการวิเคราะห์

รูปรูปร่างมนุษย์ระหว่างภาพวิดิโอแบบผสม > .
วิธีการของพวกเขาล้มเหลวในการตรวจสอบลง เมื่อคนที่ร่างกาย
แสดงความผิดปกติรูปร่างเล็ก เช่น เมื่อคน
นอนบนเตียง ในการศึกษาที่แตกต่างกัน [ 8 ] 3
หัวท่าถูกติดตามด้วยกล้อง 2D กับ 3D ตาลัง
วิถีของหัวแยกตกจากกิจกรรมปกติ
3 มิติโดยใช้ความเร็ว . auvinet et al .[ 9 ] เสนอวิธีการตรวจจับ
ตกตามจาก 3 -
d รูปร่างของผู้สูงอายุ ใช้หลายกล้อง
เสนอระบบเรียกเตือนเมื่อเป็นส่วนหลักของการกระจายปริมาณของบุคคลตาม

แกนแนวตั้งคือผิดปกติใกล้พื้น
ในแนวทางดังกล่าว ใส่ได้ทั้ง 2D
วิดีโอหรือมนุษย์ร่วมสกัดตำแหน่งใช้ motioncapturing
ระบบ หรือ มิติการสร้างใหม่โดยใช้กล้องหลาย .
ใช้ 2D วิดีโอทำให้แนวทางสําคัญ
เพื่อ occlusions รก , พื้นหลัง , เงา , การส่องสว่าง ,
มุมมองการเปลี่ยนแปลงและนำไปสู่ความถูกต้องในการตรวจจับต่ำ
ฟอลส์ แม้ว่าเคลื่อนไหวจับภาพระบบ
ระบบกล้องหลายตัวอาจจะแก้ปัญหาดังกล่าว การติดตั้งอุปกรณ์ตรวจจับ
ความต้องการของประชาชน
สอบเทียบกระบวนการเซ็นเซอร์ และค่าใช้จ่ายสูงของอุปกรณ์เหล่านี้ทำให้มันไร้ประโยชน์จริงๆ

เมื่อเร็วๆ นี้ ไมโครซอฟท์ได้นำเสนอเซ็นเซอร์ Kinect ที่รวมทั้งกล้องและเซ็นเซอร์ RGB

ความลึกที่เหมาะสมต่ำต้นทุน ซึ่งแตกต่างจากกล้อง 2D , Kinect จะสามารถติดตาม
การเคลื่อนไหวร่างกายในแบบ 3 มิติได้ถึงหกคน นอกจากนี้
โดยใช้เพียงความลึกภาพความเป็นส่วนตัวของบุคคล ที่สามารถรักษา ข้อดีเหล่านี้ดึงดูดนักวิจัยหลายคน

ใช้เซ็นเซอร์ Kinect สำหรับการวิเคราะห์กิจกรรมของมนุษย์และตก
การตรวจจับ Zhang et al . [ 10 ] ใช้
ข้อมูลความลึก 3D เพื่อสร้างแบบจำลองจลน์สำหรับติดตามบุคคล
สารสกัดจากคุณสมบัติที่ป้อนลงในลำดับชั้นการจำแนก
โครงการและจำประเภทของกิจกรรมของบุคคล .
หวงและกระทะ [ 11 ] เสนอกรอบโดยกรอบล้มระบบตรวจจับ
จากกล้อง rgb-d แบบเรียลไทม์ แม้จะมีอัตราความถูกต้องสูงบรรลุ

โดยเขาเสนอระบบ ระบบจะขึ้นอยู่กับกรอบปัญญาประเภทที่ไม่
ไม่พิจารณาการเปลี่ยนแปลงชั่วคราวใน
ตกกิจกรรม Garrido et al . [ 12 ] ใช้ Kinect เซ็นเซอร์ในระบบที่ตรวจจับ
ตกและเรียกการแจ้งเตือน gasparrini
et al . [ 13 ] เสนอเป็นอัตโนมัติรักษาความเป็นส่วนตัว , ตก
วิธีการตรวจที่ใช้ Kinect อุปกรณ์วัดความลึก . ในการแนะนำวิธี
, ตกถูกตรวจพบว่าระดับความลึกหยด
ที่เกี่ยวข้องกับคนใกล้ พื้น ประโยชน์หลักของเรา

วิธีการที่เสนอกับวิธีการดังกล่าวเป็นเครื่องบินที่เป็นตัวแทนของมนุษย์ตาม

การนำเสนอแสดงความหมาย
มีความหมายและประกอบด้วยการเคลื่อนไหวและก่อให้เกิดรูปแบบมนุษย์
ที่สร้างขึ้นในแต่ละเฟรมเพื่ออธิบาย
กิจกรรมต่างๆของมนุษย์ นอกจากนี้เราได้พัฒนาลำดับขั้นการจำแนกกรอบที่ใช้เสนอการแสดง
วิเคราะห์กิจกรรมของมนุษย์ในวิดีโอ ตามลำดับ
กรอบใช้เวลาในการพิจารณาเกี่ยวกับการเปลี่ยนแปลง
ของกิจกรรมที่แตกต่างกันซึ่งช่วยลดอัตราการผิดพลาดที่เกิดขึ้นเมื่อ
เฟรมจะจัดอย่างอิสระ