Système de détection des chutes en ligne

L’automutilation et le suicide dans les centres correctifs canadiens présentent un problème sérieux. Ce type d’incidents a augmenté durant ces dernières années, d’où la nécessité d’avoir de nouvelles techniques de prévention et de détection pour assurer l’intervention immédiate et réduire les impacts de suicides. Les méthodes les plus connues de suicide sont la surdose, la pendaison et la coupe du poignet. À travers cette recherche, on vise de trouver une technique appropriée de détection de chute qui suit une tentative de suicide par surdose. \n \nNotre but est de développer une méthode qui détecte la chute en temps réel d’une manière efficace et fiable avec un taux minimal de fausses alarmes. La plupart des méthodes de détection proposées dans la littérature utilisent des techniques traditionnelles qui limitent la fiabilité et la généralité du système. En outre, ces méthodes ne fonctionnent pas en temps réel, elles n’acceptent que des vidéos bien segmentées et qui ne contiennent qu’une seule action. \n \nPour atteindre notre objectif, nous avons utilisé la Kinect v2 de Microsoft qui est une caméra RGB-D. Ce capteur propose différents flux de données : image RGB, infrarouge, nuage de points et les données squelettiques humaines. Nous avons choisi d’utiliser les données du squelette humain pour détecter la chute puisqu’elles sont indépendantes de l’environnement et des conditions d’éclairage. \n \nQuatre bases de données publiques ont été utilisées pour évaluer notre système. Ces bases de données sont : TSTv2 et FallFree qui sont des bases de données conçues pour la détection de chutes ; NTU-RGB+D et PKU-MMD qui sont des bases de données orientées vers la détection et la reconnaissance d’actions. \n \nLa méthode utilisée dans la présente recherche se compose de deux modules : un détecteur d’action et un détecteur de chute. Le premier module est responsable de détecter le début et la fin de chaque action. Ce module est basé sur l’algorithme d’apprentissage profond 1D Convolution Neural Network (1D-CNN). Il découpe le flux continu des données squelettiques en sous-séquences de quinze images et classifie chaque sous-séquence indépendamment. Si l’algorithme détecte un mouvement dans la sous-séquence, cette dernière est classifiée comme positive. La succession de sous-séquences classifiées comme positives forme une action. Ce module a été entrainé avec la base de données PKU-MMD. Après l’extraction de l’action, le rôle du deuxième module est de la classifier en ’chute’ ou ’non chute’. Ce module est basé sur l’algorithme Spatial Temporal Graph Convolution Networks (ST-GCN). Il a l’avantage de tenir compte simultanément les informations spatiales et temporelles. Il exploite le fait que les squelettes forment des graphes au lieu de grilles en 2D ou 3D. Premièrement il a été entrainé avec la base NTU-RGB+D. Puis, la technique de transfert d’apprentissage a été appliquée en utilisant les deux bases de données TSTv2 et FallFree. Les performances obtenus dépassent celles des méthodes proposées dans la littérature sur les deux bases de données TSTv2 et FallFree.

Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.