计算机竞赛 深度学习人体跌倒检测 -yolo 机器视觉 opencv python

0 前言

🔥 优质竞赛项目系列，今天要分享的是

🚩 **基于深度学习的人体跌倒检测算法研究与实现 **

该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！

🥇学长这里给一个题目综合评分(每项满分5分)

• 难度系数：3分
• 工作量：3分
• 创新点：5分

🧿 更多资料, 项目分享：

https://gitee.com/dancheng-senior/postgraduate

1.前言

人体跌倒是人们日常生活中常见姿态之一，且跌倒的发生具有随机、难以预测的特点；其次，跌倒会给人体造成不同程度的伤害，很多人跌倒后由于得不到及时的救助而加重受到的伤害，甚至出现残疾或者死亡的情况；同时随着人口老龄化问题的日渐加剧，跌倒已经成为了我国65周岁以上老人受伤致死的主要原因。因此，跌倒事件严重影响着人们的身体健康，跌倒检测具有十分重要的研究意义。

2.实现效果

跌倒效果

站立、蹲坐效果

3.相关技术原理

3.1卷积神经网络

简介

CNN 是目前机器用来识别物体的图像处理器。CNN
已成为当今自动驾驶汽车、石油勘探和聚变能研究领域的眼睛。在医学成像方面，它们可以帮助更快速发现疾病并挽救生命。得益于 CNN 和递归神经网络
(RNN)，各种 AI 驱动型机器都具备了像我们眼睛一样的能力。经过在深度神经网络领域数十年的发展以及在处理海量数据的 GPU
高性能计算方面的长足进步，大部分 AI 应用都已成为可能。

原理

人工神经网络是一个硬件和/或软件系统，模仿神经元在人类大脑中的运转方式。卷积神经网络 (CNN)
通常会在多个全连接或池化的卷积层中应用多层感知器（对视觉输入内容进行分类的算法）的变体。

CNN
的学习方式与人类相同。人类出生时并不知道猫或鸟长什么样。随着我们长大成熟，我们学到了某些形状和颜色对应某些元素，而这些元素共同构成了一种元素。学习了爪子和喙的样子后，我们就能更好地区分猫和鸟。

神经网络的工作原理基本也是这样。通过处理标记图像的训练集，机器能够学习识别元素，即图像中对象的特征。

CNN
是颇受欢迎的深度学习算法类型之一。卷积是将滤波器应用于输入内容的简单过程，会带来以数值形式表示的激活。通过对图像反复应用同一滤波器，会生成名为特征图的激活图。这表示检测到的特征的位置和强度。

卷积是一种线性运算，需要将一组权重与输入相乘，以生成称为滤波器的二维权重数组。如果调整滤波器以检测输入中的特定特征类型，则在整个输入图像中重复使用该滤波器可以发现图像中任意位置的特征。

关键代码

基于tensorflow的代码实现

​

    import tensorflow as tf
    from tensorflow.examples.tutorials.mnist import input_data
    
    mnist = input_data.read_data_sets('MNIST_data_bak/', one_hot=True)
    sess = tf.InteractiveSession()
    
    # 截断的正太分布噪声，标准差设为0.1
    def weight_variable(shape):
        initial = tf.truncated_normal(shape, stddev=0.1)
        return tf.Variable(initial)


    def bias_variable(shape):
        initial = tf.constant(