Titelaufnahme

Titel
Depth data analysis for fall detection / von Christopher Pramerdorfer
VerfasserPramerdorfer, Christopher
Begutachter / BegutachterinKampel, Martin
Erschienen2013
UmfangVI, 74 Bl. : Ill., graph. Darst.
HochschulschriftWien, Techn. Univ., Dipl.-Arb., 2013
Anmerkung
Zsfassung in dt. Sprache
SpracheEnglisch
DokumenttypDiplomarbeit
URNurn:nbn:at:at-ubtuw:1-76272 Persistent Identifier (URN)
Zugriffsbeschränkung
 Das Werk ist frei verfügbar
Dateien
Depth data analysis for fall detection [4.82 mb]
Links
Nachweis
Klassifikation
Zusammenfassung (Deutsch)

Stürze sind ein Hauptgrund für unfallbedingte Todesfälle in der Gruppe der Personen über 64. Im Falle eines Sturzes ist sofortige Hilfe notwendig, um die Morbiditäts- und Sterblichkeitsrate zu minimieren. Statistiken zeigen jedoch, dass jedes zweite Sturzopfer nicht in der Lage ist, ohne Hilfe wieder aufzustehen. Das Ziel der Sturzerkennung ist es, schnelle Hilfe zu garantieren, indem diese im Falle eines Sturzes automatisch angefordert wird. Sturzerkennung ist ein aktives Forschungsfeld; Limitationen aktueller Methoden schränken die Anwendbarkeit in der Praxis jedoch noch ein. In dieser Diplomarbeit wird ein neues System zur Sturzerkennung vorgestellt, das ,versucht, diese Einschränkungen zu lösen. Dazu wird auf aktuelle Sensortechnologie zurückgegriffen, die Tiefendaten liefert. Diese hat mehrere Vorteile gegenüber Alternativen, insbesondere ist sie unauffällig, bewahrt die Privatsphäre und funktioniert unabhängig von Lichtverhältnissen, wodurch eine kontinuierliche Überwachung ermöglicht wird. Tiefendaten sind aussagekräftig und erlauben dadurch eine zuverlässige Sturzerkennung. Dieser Sachverhalt wird mittels einer quantitativen Analyse verifiziert, im Zuge derer auch die Einschränkungen der Technologie sowie die Qualität der generierten Daten bewertet wird. Das vorgestellte Sturzerkennungssystem legt einen Fokus auf effektive Algorithmen zur Erkennung und Verfolgung von Personen, da die dadurch ermöglichte temporäre Analyse die Leistungsfähigkeit der Sturzerkennung steigert. Zu diesem Zweck wurde ein neuer Algorithmus zur Bewegungserkennung in Tiefendaten entwickelt, der insbesondere hinsichtlich Sturzerkennung leistungsfähiger als aktuelle Algorithmen ist. Weiters stellt diese Diplomarbeit einen effizienten Ansatz zur Erkennung und Verfolgung mehrerer Personen in Tiefendaten vor. Das entwickelte Sturzerkennungssystem ist einfach zu installieren, muss nicht konfiguriert werden, und ist auf kostengünstiger Hardware lauffähig, was die Akzeptanz in der Praxis fördert. Diese Diplomarbeit zeigt, dass Tiefendaten eine zuverlässige Sturzerkennung ermöglichen. Dies wird mittels einer umfangreichen Sturzdatenbank überprüft. Zum Zeitpunkt des Verfassens dieses Berichtes wird das vorgestellte System in vier Staaten in der Praxis evaluiert, vorläufige Resultate sind vielversprechend.

Zusammenfassung (Englisch)

Falls are a leading cause for accidental deaths among persons aged 65 or older. Fall victims require immediate assistance in order to minimize morbidity and mortality rates. However, statistically every other fall victim is unable to get back up without help. The aim of fall detection is to ensure fast assistance by automatically informing caretakers in case of falls. Different methods have been proposed for this purpose, but there are still unresolved issues that limit the applicability of fall detection systems in practice. This thesis introduces a new fall detection system using current depth-sensing technology, with the aim of addressing these limitations. This sensor technology has several advantages over alternatives; it is unobtrusive, preserves the privacy of subjects, and works independently of lighting conditions, allowing for continuous monitoring. The generated data enables powerful scene analysis and, consequently, reliable fall detection. The applicability of this technology is verified by means of a quantitative analysis, in order to assess its limitations and data quality. In contrast to existing methods, the proposed system emphasizes person detection and tracking, which allows for robust temporal analysis and thus improved fall detection performance. To this end, this work also proposes a new motion detection algorithm optimized for depth data and fall detection. It is shown that this algorithm performs better than the state of the art on this type of data. Furthermore, this work contributes to the research field of tracking by introducing effective means for tracking multiple persons. The proposed system is easy to set up, plug and play, and can run on inexpensive low-end hardware, promoting broad acceptance. This work shows that reliable fall detection in depth data is possible, as verified on a comprehensive fall database. At the time of writing, the system is tested under practical conditions in four countries, with promising first results.