Titelaufnahme

Titel
Detecting falls in a supportive home environment / von Florian Dorn
VerfasserDorn, Florian
Begutachter / BegutachterinKampel, Martin
Erschienen2011
Umfangii, 109 Bl. : Ill., graph. Darst.
HochschulschriftWien, Techn. Univ., Dipl.-Arb., 2011
Anmerkung
Zsfassung in dt. Sprache
SpracheEnglisch
DokumenttypDiplomarbeit
Schlagwörter (DE)Maschinelles Sehen / Maschinelles Lernen / Sturzerkennung / Ereignis Erkennung
Schlagwörter (EN)computer vision / machine learning / fall detection / event understanding
URNurn:nbn:at:at-ubtuw:1-44209 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Detecting falls in a supportive home environment [7.19 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Diese Masterarbeit beschäftigt sich mit dem Einsatz von Computer Vision im Bereich Ambient Assisted Living. Ambient Assisted Living umfasst Methoden und Technologien, die das tägliche Leben älterer und pflegebedürftiger Menschen bedarfsorientiert und unaufdringlich unterstützen. Bei älteren Personen sind Stürze eines der Hauptrisiken im täglichen Leben, besonders für jene, die alleine Leben. Im Rahmen der Arbeit wird ein System zur Erkennung von anormalen Aktivitäten, im konkreten Fall von Stürzen, präsentiert. Durch die vielfältigen Anwendungsgebiete der Ereigniserkennung, von der automatischen Auswertung von Videos bis zur Anwendung in der Mensch-Maschine Interaktion, ist das automatische Erkennen von Ereignissen in den letzten Jahren auf großes Interesse in der Forschungscommunity gestoßen.

Das Grundproblem ist das Modellieren und Erkennen von sogenannten Video Events, also jenen semantischen Konzepten, die Menschen wahrnehmen.

Hierfür muss der semantische Inhalt der Bilddaten mit aussagekräftigen Features abstrahiert werden. Basierend auf diesen Daten müssen zuverlässige Modelle zur Beschreibung und Erkennung der Events angewendet werden. Um das zu erreichen und Stürze zu erkennen, wird in dieser Arbeit ein Sturzerkennungssystem basierend auf mehreren Kameras gezeigt. Dabei werden die Bilddaten der verschiedenen Kameras zu einer dreidimensionalen Repräsentation kombiniert. Das ermöglicht es von den Kameras unabhängige, aussagekräftige und stabile Features zu extrahieren. Mit Methoden der Fuzzylogik wird die Zugehörigkeit der beobachteten Features zu den verschiedenen Bewegungsmodellen bestimmt.

Ein neuartiges Feature, welches in der Arbeit vorgestellt und evaluiert wird, erlaubt es die "Unvorhergesehenheit" eines Ereignisses zuverlässig zu modellieren. Die durchgeführten Auswertungen zeigen, dass das hier vorgestellte Verfahren zuverlässig und performant Stürze erkennen kann.

Zusammenfassung (Englisch)

This thesis discusses the use of computer vision for assisting elderly in the field of Ambient Assisted Living with Aging-in-place.

Falling has been identified as a major health issue for elderly, especially for those that live independently. Therefore an abnormal activity recognition system for detecting falls is presented. Activity or event recognition has been gaining much interest in the computer vision community in recent years. The application area covers a wide range, from video surveillance and monitoring, human-computer interaction to augmented reality. The fundamental problem lies within the detection and modeling of Video events, the semantic concepts that humans perceive when observing a scene. When emulating this process with computer vision, the semantic content of the low-level input has to be abstracted with meaningful features. Finding reliable models for describing and recognizing events given these abstractions is the key part in event understanding. In order to detect falls reliably a multi-camera vision system is proposed. The image evidence is fused early and fall detection is performed in 3D space. This allows the computation of reliable, view invariant features. Fuzzy logic is used to estimate the membership of the currently observed features to different human motion models. Using a novel feature, which is presented in this work, the unexpectedness of a fall incident is modeled reliably. The evaluation shows, that the proposed approach is a reliable and computationally efficient fall detector.