摔倒、摔倒检测数据集

近期学习摔倒检测,接触摔倒数据集,自学笔记,仅用作个人复习。

  • the UR fall detection dataset (URFD)
  • the fall detection dataset (FDD)

UR Fall Detection Dataset

(University of Rzeszow - 热舒夫大学) 

数据集网站:http://fenix.univ.rzeszow.pl/~mkepski/ds/uf.html

简介:该数据集包含 70 个 (30 个跌倒 + 40 个日常生活活动) 序列。使用 2 台 Microsoft Kinect 相机和相应的加速度计数据记录跌倒事件。ADL 事件仅用一台设备 (camera 0) 和加速度计记录。使用 PS Move (60Hz) 和 x-IMU (256Hz) 设备收集传感器数据。

数据集组织如下。camera 0 and camera 1 每行包含深度和 RGB 图像序列 (平行于地板和吸顶分别安装),同步数据和原始加速度计数据。每个视频流都以 png 图像序列的形式存储在单独的 zip 存档中。

“图像深度是指存储每个像素所用的位数,也用于量度图像的色彩分辨率。图像深度确定彩色图像的每个像素可能有的颜色灰度图像的每个像素可能有的灰度级数.它决定了彩色图像中可出现的最多颜色数,或灰度图像中的最大灰度等级。比如一幅单色图像,若每个像素有8位 例如:一幅画的尺寸是1024*768,深度为16,则它的数据量为1.5M。 计算如下:1024*768*16bit(位)=(1024*768*16)/8Byte(字节)=[(1024*768*16)/8]/1024KB=1536KB={[(1024*768*16)/8]/1024}/1024MB=1.5MB。”

有关深度图像可以参考 https://blog.csdn.net/dujuancao11/article/details/108960398

https://blog.csdn.net/dujuancao11/article/details/108973087

数据集详情:

Fall sequences

Fall sequences——》Depth data——》Camera 0——》fall-01-cam0-d

 

 

Fall sequences——》Depth data——》Camera 1——》fall-01-cam1-d

Fall sequences——》RGB data——》Camera 0 ——》fall-01-cam0-rgb


RGB data——》Camera 1——》fall-01-cam1-rgb

 Synchronization data(同步数据)

fall-01-data

Accelerometer data(加速度数据)

fall-01-acc

Video:

cam0   cam1

Activities of Daily Living (ADL) sequences:

Activities of Daily Living (ADL) sequences——》Depth data——》Camera 0——》adl-01-cam0-d

Activities of Daily Living (ADL) sequences——》RGB data——》Camera 0——》adl-01-cam0-rgb

Synchronization data——》adl-01-data

Accelerometer data

 Video——》cam0 

 Extracted features

从深度图像中提取的特性以CSV格式存储。每一行包含一个数据样本,对应于一个深度图像。各列从左到右排列如下:

  1. sequence name - camera name is omitted, because all of the samples are from the front camera ('fall-01-cam0-d' is 'fall-01', 'adl-01-cam0-d' is 'adl-01' and so on),
  2. frame number - corresponding to number in sequence,(帧编号-对应于序列中的编号,)
  3. label - describes human posture in the depth frame; '-1' means person is not lying, '1' means person is lying on the ground; '0' is temporary pose, when person "is falling", we don't use '0' frames in classification,
    (标签-在深度框中描述人体姿态;“-1”表示人没有躺下,“1”表示人躺在地上;“0”是暂时的姿势,当人“正在坠落”时,我们在分类时不使用“0”帧,)
  4. HeightWidthRatio - bounding box height to width ratio,(高宽比-限定框高宽比,)
  5. MajorMinorRatio - major to minor axis ratio, computed from BLOB of segmented person,
  6. BoundingBoxOccupancy - ratio of how bounding box is occupied by person's pixels,(包围框中人的像素占据的比率,)
  7. MaxStdXZ - standard deviation of pixels from the centroid for the abscissa (X axis) and the depth (Z axis), respectively (it is computed on segmented person transformed to the 3D point cloud),
    (MaxStdXZ -分别为横坐标(X轴)和深度(Z轴)的像素与质心的标准差(对分割后的人转换为三维点云计算),)
  8. HHmaxRatio - human height in frame to human height while standing ratio,
    (站立时,人体身高在包围框中占得比例)
  9. H - actual height (in mm),(H -实际高度(单位mm),)
  10. D - distance of person center to the floor (in mm),(D -人员中心到地面的距离(单位mm),)
  11. P40 - ratio of the number of the point clouds belonging to the cuboid of 40 cm height and placed on the floor to the number of the point clouds belonging to the cuboid of height equal to person's height.
    (放置在地板上的40cm高的长方体的点云数量与身高等于人的长方体的点云数量之比。)

urfall-cam0-adls

urfall-cam0-adls

Fall detection Dataset

用于模拟目的的数据集是原始RGB和深度图像,大小为320x240,由一个未校准的Kinect传感器在640x480大小调整后记录。

Kinect 传感器固定在屋顶高度约 2.4m 处。数据集总共包含 21499 张图像。在 22636 张图像的全部数据集中,可以使用 16794 张图像进行训练,可以使用 3299 张图像进行验证,可以使用 2543 张图像进行测试。

有 5 位不同的参与者,其中有两名 32 岁和 50 岁的男性参与者和三名 19、28 和 40 岁的女性参与者。参与者的所有活动都代表 5 种不同的姿势,这些姿势包括站立、坐着、躺着、弯曲和爬行。每个图像中只有一个参与者。数据集中的某些图像为空,被归类为 other

我们使用了 2 位参与者的图像:32 岁的男性和 28 岁的女性,总共 16794 张训练图像,3299 张验证图像,其中训练集包含来自 32 岁的男性参与者,但是位于不同的房间训练和测试集。同样,测试集包含 3 名参与者的图像,其中 2 名女性参与者的年龄分别为 19 岁和 40 岁,男性参与者的年龄为 50 岁。

 

 

这些总共 22636 张图像是按顺序排列的,但是没有在序列中的任何位置重复,并且所有集合都依次添加了原始图像和其水平翻转图像,以增加集合中图像的数量。

1. 阿迪卡里、克里佩什、哈米德·布沙基亚和哈马迪·纳伊特-查里夫。基于卷积神经网络的室内坠落检测活动识别 机器视觉应用(MVA),2017年第十五届IAPR国际会议。IEEE,2017年。

(1. Adhikari, Kripesh, Hamid Bouchachia, and Hammadi Nait-Charif. "Activity recognition for indoor fall detection using convolutional neural network." Machine Vision Applications (MVA), 2017 Fifteenth IAPR International Conference on. IEEE, 2017.)

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/547539.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

visual studio内置“iis”组件提取及二次开发

简介 visual studio安装后会自带小型的“iis”服务器,本文就简单提取一下这个组件,自己做一个小型“iis”服务器吧。先来说用途吧(废话可绕过),比如在服务器上没有安装iis,或者给客户演示asp.net程序&…

禁用 Microsoft 软件保护平台服务

以前没怎么注意,老觉得cup没事就声音很大,后来发现这玩意儿占用巨多cup,希望有大佬帮助解决一下,谢谢 解决方法: 首先使用【Win】 【R】组合快捷键,快速打开运行命令框,在打开后面键入命令&am…

asp.net mvc3.0安装失败之终极解决方案

安装失败截图 原因分析 因为vs10先安装了sp1补丁,然后安装的mvc3.0,某些文件被sp1补丁更改,导致“VS10-KB2483190-x86.exe”安装不了,造成安装失败。 解决方案 方法1: 解压mvc安装包(AspNetMVC3Setup.e…

asp.net mvc3.0第一个程序helloworld开发图解

步骤一:新建asp.net mvc3.0项目 (选择Razor模板) 步骤二:创建控制器 步骤三:控制器源码内右键创建对应视图 步骤四:控制器内添加代码 步骤五:视图页面输出内容 步骤六:F5调试

在Windows系统中下载并安装Docker-desktop

在Windows系统中下载并安装Docker-desktop 推荐目录:https://t.cn/A6ApnczU Docker for Windows 在Windows上运行Docker。系统要求,Windows10x64位,支持Hyper-V。 下载 Docker for Windows Dokcer Desktop for Windows 安装要求 Docker …

c 语言 json序列化,C#中json字符串的序列化和反序列化 – 万能的聪哥 – 博客园...

今日写番茄闹钟程序,打算添加日程安排内容,使用到json格式文件的序列化和反序列化:什么是Json ?Json【它是一个轻量级的数据交换格式,我们可以很简单的来读取和写它,并且它很容易被计算机转化和生成,它是完全独立于语言的。Json支持下面两种…

PowerDesigner使用笔记

1、PowerDesigner添加字段说明 打开表设计视图>选择Columns栏目>点击“Columns and Filter”> 沟中“Comment”选项,随后便可添加列说明。如图: 2、添加表索引双击表视图进入表设计页面 > 点击Indexs栏目 > 新增一列索引 > 双击新增索…

跌倒识别 摔倒识别 -lightweight_openpose

最近做了一个跌倒检测demo,使用的是lightweight_openposefullconnection,这篇文章是以应用为主,已经在GitHub上开源啦, 源码openpose_fall_detect 为什么使用lightweight_openpose,在此之前跑了很多模型哈,…

entity framework框架生成摘要文档为空(没有元数据文档可用)的bug解决方案

简介 entity framework在vs中生成的.edmx文件,会导致摘要(说明)为空的bug,具体bug信息为“没有元数据文档可用。”,导致我们表名打点去字段时,无法预知字段代表的含义,这在开发当中也是比较致命…

ElasticSearch可视化工具Dejavu安装使用

目录 1、安装 Docker 环境2、运行 ElasticSearch 服务3、安装运行 Dejavu 服务 Dejavu 是一个 ElasticSearch 的 Web UI 工具,支持通过 JSON 和 CSV 文件导入数据,支持可视化定义 Mapping (字段映射)等。 相关描述在 https://github.com/appbaseio/dej…

介绍MFSideMenu左右滑动控件的使用

昨天刚写完侧滑菜单的实例,今天在CocoaChina网站上看到一篇非常好的侧滑菜单设计案例文章,分享给大家。http://www.cocoachina.com/macdev/uiue/2013/0716/6609.html 自从Facebook使用了左右滑动菜单导航以后,国内外各个App都竞相模仿该功能&…

艾诺迪亚4一次性完美刷经验刷金钱方法图解[亲测无需闪退游戏]

最近在玩游戏艾诺迪亚4,感觉不错就是升级太慢,于是研究了最新的刷等级刷金钱的方法,无需游戏闪退,一次性成功的方法,下面一起刷起来。 需要用的一个工具:八门神器(注意:八门神器无需…

搭建FTP服务器,设置用户权限775 ,并只许上传、禁止下载和删除

1、安装vsftpd软件包,命令如下: sudo yum -y install vsftpd 2、查看vsftpd的运行状态,命令如下: sudo netstat -nltp | grep 21 一般情况下,vsftpd安装完成后会自动启动,如下图所示通过 netstat 命令可…

mongodb replicaset shard 集群性能测试

2019独角兽企业重金招聘Python工程师标准>>> mongodb支持自动分片的功能,并且可以让数据尽可能地均匀分布在各个节点上,本身支持横向扩展。 1,环境搭建 此次性能测试对象为mongodb的replicaset自动分片功能,集群拓扑…

打油诗

嫁人不嫁造船郎,一年四季总在忙,春夏秋东不见面,回家一包臭衣裳!我是一个造船郎,背井离乡在外闯,白天累得腿发软,晚上仍为资料忙;思乡痛苦心里藏,四海漂泊习为常&#xf…

去马赛克神器 JavPlayer TG Modle 最新版

本帖最后由 cyberim 于 2019-8-28 22:13 编辑 -----知识点----- Mosaic的原理就是将1个像素的颜色填满一个小区域,所以在平面图片上是无法还原的--简单说就是单一图片的Mosaic不可逆! 但是…如果是Mosaic影片的话,一个Mosaic方格的中心点就会是一个原始影…

jQuery日期和时间插件(jquery-ui-timepicker-addon.js)中文破解版使用

简介 jQuery UI Datepicker日期选择插件很好用了,只不过只能精确到日,不能选择时间(小时分钟秒)很遗憾,而jquery-ui-timepicker-addon.js正是基于jQuery UI Datepicker的一款可选时间的插件。 官网地址:h…

Linux服务之httpd基本配置详解

当今主流的开源Web服务器软件有httpd(Apache),lighttpd,nginx,thttpd等,而httpd是迄今为止使用量多的web服务器,据统计目前httpd的全球占有量是47%左右,虽然有所下降但是使用两仍然是最多的,统计web服务器使用率的网站是&#xff…

android新建工程横屏,华为MatePad Pro构建的安卓平板横屏生态有何不同?来看看

在过去很多年中,Android 平板或者说 Android大屏设备一直受限于 Android生态的限制,无法发挥出本应具备的大屏使用体验,也正是因为这个原因,Android平板电脑一直被当做娱乐设备。在去年11月25日,华为正式发布了主打生产…

Flutter笔记:Web支持原理与实践

Flutter笔记 Web支持原理与实践 作者:李俊才 (jcLee95):https://blog.csdn.net/qq_28550263 邮箱 :291148484163.com CSDN:https://blog.csdn.net/qq_28550263/article/details/135037756 华为开发者社区…