基于特征融合与增强的摔倒检测方法研究

摘要

人体摔倒检测是目前计算机视觉领域研究的重要方向之一，在保障人类健康与安全、提供紧急救援和监护老年人等方面具有重要意义.针对不同尺度变化、遮挡等场景下人体摔倒检测算法的精度普遍偏低的问题，提出了一种自适应空间特征融合倒置残差网络，简称为AIS-YOLO,并将其应用到人体摔倒检测任务中.首先，该算法在YOLOv8n的检测头基础上添加自适应空间特征融合模块(ASFF),从而增强了模型对多尺度信息的感知能力.其次，引入倒置残差块注意力机制(iRMB),并将其与Neck中的C2f模块相结合，在确保检测精度较好的同时，保持计算复杂度基本不变；最后，使用Inner-WIoU替换CIoU边界框回归损失，SLideLoss替换原有的VFL分类损失，解决不同样本之间的不平衡性问题，加快了模型收敛速度，提高了模型的泛化能力.实验结果显示，在Fall Detect数据集上，AIS-YOLO相比于YOLOv8n精度提升了2.7%,证实了方法的有效性，为人体摔倒检测领域提供更有效的方案.

关键词

摔倒检测 / 自适应空间特征融合 / 注意力机制 / 边界框回归损失 / 分类损失

基金资助

国家自然科学基金项目（62072024）; 北京市自然科学基金项目（4252033）