Progetto realizzato per l’esame di Computer Vision e Artificial Intelligence del Prof.Torsello. Obiettivo era realizzare un sistema di elaborazione delle immagini che riconoscesse in automatico il movimento di una persona in caduta.

Questo tipo di sistemi è vitale in ricoveri o case private in cui risiedono persone anziane che, seppur autonome, possono correre seri rischi se non prontamente soccorse in caso di caduta (una delle principali cause di infortuni gravi in questa fascia della popolazione).

In breve:

Il sistema, realizzato in MATLAB, analizza il flusso di fotogrammi di video di datasets presenti in letteratura per questo topic, estrae una maschera di movimento che segue l’individuo nei suoi movimenti nella stanza ripresa, quindi crea una traccia che rappresenta una serie di movimenti consecutivi in un intervallo di tempo.
Un classificatore, precedentemente addestrato, distingue le traccia di di attività quotidiane dalle cadute (fall detection)

 

Dettagli tecnici, metriche di valutazione delle performance e confronto con lo stato dell’arte, sono presenti nel report seguente:  CV_AI2_Fall_detection

 

References

[1] Edouard Auvinet, Caroline Rougier, Jean Meunier, Alain St-Arnaud, and
Jacqueline Rousseau. Multiple cameras fall dataset. DIRO-Université de
Montréal, Tech. Rep, 1350, 2010.
[2] Jia-Luen Chua, Yoong Choon Chang, and Wee Keong Lim. A simple vision-
based fall detection technique for indoor video surveillance. Signal, Image
and Video Processing, 9(3):623–633, 2015.
[3] Navneet Dalal and Bill Triggs. Histograms of oriented gradients for human
detection. In 2005 IEEE Computer Society Conference on Computer Vision
and Pattern Recognition (CVPR’05), volume 1, pages 886–893. IEEE, 2005.
[4] Weiguo Feng, Rui Liu, and Ming Zhu. Fall detection for elderly person care
in a vision-based home surveillance environment using a monocular camera.
Signal, Image and Video Processing, 8(6):1129–1138, 2014.
[5] Bogdan Kwolek and Michal Kepski. Human fall detection on embedded
platform using depth maps and wireless accelerometer. Computer methods
and programs in biomedicine, 117(3):489–501, 2014.
[6] Malaysia Multimedia University. Fallvideo dataset.
[7] R van den Boomgard and R van Balen. Methods for fast morphological image
transforms using bitmapped images. Computer Vision, Graphics, and Image
Processing: Graphical Models and Image Processing, 54(3):254–258, 1992.
[8] Rui-dong Wang, Yong-liang Zhang, Ling-ping Dong, Jia-wei Lu, Zhi-qin
Zhang, and Xia He. Fall detection algorithm for the elderly based on hu-
man characteristic matrix and svm. In Control, Automation and Systems
(ICCAS), 2015 15th International Conference on, pages 1190–1195. IEEE,
2015.
[9] Shengke Wang, Long Chen, Zixi Zhou, Xin Sun, and Junyu Dong. Human
fall detection in surveillance video based on pcanet. Multimedia Tools and
Applications, pages 1–11, 2015.