We propose a hierarchical fall dete

We propose a hierarchical fall detection framework that
consists of a representation layer and two classification
layers. At the representation layer, RGBD images are acquired
from a Kinect sensor, and the 3D joint positions
are estimated. Then we construct MPGD representation for
each input frame. We then train a set of support-vectormachine
(SVM) classifiers to classify each frame into one
of different states at the first classification layer. The state
of each frame describes the spatiotemporal configuration
of the elderly person in that frame (e.g., the person is
stand still or is stretching out his right arm). At the second
classification layer, the constraint dynamic time warping
(cDTW) is utilized to classify the whole sequence of states
generated from the SVM classifiers into falling or non-falling
activity. The use of cDTW allows processing large variation
in duration of human activity video sequences efficiently.

ผลลัพธ์ (ไทย) 1:

เราเสนอกรอบตรวจสอบตกลำดับที่ประกอบด้วยชั้นแสดงและประเภทสองชั้น ที่มาภาพ RGBD ที่ชั้นแสดงจากเซนเซอร์ Kinect และตำแหน่งร่วม 3Dมีประเมินการ แล้ว เราสร้าง MPGD แทนการเฟรมแต่ละอินพุท เราฝึกแล้วชุดของ vectormachine สนับสนุนคำนามภาษา (SVM) ในการจัดประเภทแต่ละเฟรมเป็นหนึ่งรัฐต่าง ๆ ที่ชั้นประเภทแรก รัฐของแต่ละเฟรมอธิบายการตั้งค่าคอนฟิก spatiotemporalของผู้สูงอายุในเฟรมนั้น (เช่น บุคคลที่ได้รับนิ่ง หรือยืดออกแขนขวาของเขา) ที่ที่สองการจัดประเภทชั้น แปรปรวนเวลาแบบไดนามิกจำกัดใช้ประโยชน์ในการแบ่งประเภทลำดับทั้งหมดของอเมริกา (cDTW)สร้างจากคำนามภาษา SVM ล้ม หรือไม่ล้มกิจกรรมการ ใช้ของ cDTW ช่วยให้ประมวลผลการเปลี่ยนแปลงขนาดใหญ่ในระยะเวลาของกิจกรรมมนุษย์วิดีโอลำดับได้อย่างมีประสิทธิภาพ

ผลลัพธ์ (ไทย) 3:

เรานำเสนอการตรวจหาตกกรอบ
ประกอบด้วยชั้นแทน และสองหมวดหมู่
ชั้น ที่เป็นตัวแทนชั้น ภาพที่ได้มา rgbd
จากเซ็นเซอร์ Kinect และ
ตำแหน่งร่วม 3D มีประมาณ แล้วเราสร้างการแสดงสำหรับแต่ละ mpgd
ใส่กรอบ เราก็ฝึกชุดสนับสนุน vectormachine
( SVM ) ลักษณนามแบ่งแต่ละเฟรมเป็นหนึ่ง
ของรัฐต่าง ๆ ที่ชั้นประเภทแรก รัฐ
ของแต่ละเฟรม อธิบาย spatiotemporal ค่า
ของผู้สูงอายุในกรอบ ( เช่น คน
ยืนนิ่งหรือการยืดแขนขวา ) ที่เลเยอร์ที่สองการจำแนกปัญหาЇ

( cdtw ) ถูกใช้เพื่อจำแนกลำดับทั้งหมดของรัฐ
ที่สร้างขึ้นจากคำลักษณนาม SVM เป็นล้ม หรือ ไม่ตก
กิจกรรม การใช้ cdtw ช่วยให้ประมวลผล
การเปลี่ยนแปลงขนาดใหญ่ในระยะเวลาของกิจกรรมมนุษย์วิดีโอลำดับได้อย่างมีประสิทธิภาพ