近期學習摔倒檢測，接觸摔倒數據集，自學筆記，僅用作個人復習。

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

UR Fall Detection Dataset

（University of Rzeszow -?熱舒夫大學）?

數據集網站：http://fenix.univ.rzeszow.pl/~mkepski/ds/uf.html

簡介：該數據集包含 70 個 (30 個跌倒 + 40 個日常生活活動) 序列。使用 2 臺 Microsoft Kinect 相機和相應的加速度計數據記錄跌倒事件。ADL 事件僅用一臺設備 (camera 0) 和加速度計記錄。使用 PS Move (60Hz) 和 x-IMU (256Hz) 設備收集傳感器數據。

數據集組織如下。camera 0 and camera 1 每行包含深度和?RGB?圖像序列?(平行于地板和吸頂分別安裝)，同步數據和原始加速度計數據。每個視頻流都以 png 圖像序列的形式存儲在單獨的 zip 存檔中。

“圖像深度是指存儲每個像素所用的位數,也用于量度圖像的色彩分辨率。圖像深度確定彩色圖像的每個像素可能有的顏色灰度圖像的每個像素可能有的灰度級數.它決定了彩色圖像中可出現的最多顏色數,或灰度圖像中的最大灰度等級。比如一幅單色圖像,若每個像素有8位?例如:一幅畫的尺寸是1024*768,深度為16,則它的數據量為1.5M。?計算如下:1024*768*16bit(位)=(1024*768*16)/8Byte(字節)=[(1024*768*16)/8]/1024KB=1536KB={[(1024*768*16)/8]/1024}/1024MB=1.5MB。”

有關深度圖像可以參考?https://blog.csdn.net/dujuancao11/article/details/108960398

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

數據集詳情：

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（同步數據）

fall-01-data

Accelerometer data（加速度數據）

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

從深度圖像中提取的特性以CSV格式存儲。每一行包含一個數據樣本，對應于一個深度圖像。各列從左到右排列如下:

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),

frame number - corresponding to number in sequence,（幀編號-對應于序列中的編號，）

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,
（標簽-在深度框中描述人體姿態;“-1”表示人沒有躺下，“1”表示人躺在地上;“0”是暫時的姿勢，當人“正在墜落”時，我們在分類時不使用“0”幀，）

HeightWidthRatio - bounding box height to width ratio,（高寬比-限定框高寬比，）

MajorMinorRatio - major to minor axis ratio, computed from BLOB of segmented person,

BoundingBoxOccupancy - ratio of how bounding box is occupied by person's pixels,（包圍框中人的像素占據的比率，）

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 -分別為橫坐標(X軸)和深度(Z軸)的像素與質心的標準差(對分割后的人轉換為三維點云計算)，）

HHmaxRatio - human height in frame to human height while standing ratio,
（站立時，人體身高在包圍框中占得比例）

H - actual height (in mm),（H -實際高度(單位mm)，）

D - distance of person center to the floor (in mm),（D -人員中心到地面的距離(單位mm)，）

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高的長方體的點云數量與身高等于人的長方體的點云數量之比。）

urfall-cam0-adls

urfall-cam0-adls

Fall detection Dataset

用于模擬目的的數據集是原始RGB和深度圖像，大小為320x240，由一個未校準的Kinect傳感器在640x480大小調整后記錄。

Kinect 傳感器固定在屋頂高度約 2.4m 處。數據集總共包含 21499 張圖像。在 22636 張圖像的全部數據集中，可以使用 16794 張圖像進行訓練，可以使用 3299 張圖像進行驗證，可以使用 2543 張圖像進行測試。

有 5 位不同的參與者，其中有兩名 32 歲和 50 歲的男性參與者和三名 19、28 和 40 歲的女性參與者。參與者的所有活動都代表 5 種不同的姿勢，這些姿勢包括站立、坐著、躺著、彎曲和爬行。每個圖像中只有一個參與者。數據集中的某些圖像為空，被歸類為?other。

我們使用了?2 位參與者的圖像：32 歲的男性和 28 歲的女性，總共 16794 張訓練圖像，3299 張驗證圖像，其中訓練集包含來自 32 歲的男性參與者，但是位于不同的房間訓練和測試集。同樣，測試集包含 3 名參與者的圖像，其中 2 名女性參與者的年齡分別為 19 歲和 40 歲，男性參與者的年齡為 50 歲。

?

?

這些總共 22636 張圖像是按順序排列的，但是沒有在序列中的任何位置重復，并且所有集合都依次添加了原始圖像和其水平翻轉圖像，以增加集合中圖像的數量。

1.?阿迪卡里、克里佩什、哈米德·布沙基亞和哈馬迪·納伊特-查里夫。基于卷積神經網絡的室內墜落檢測活動識別?機器視覺應用(MVA)，2017年第十五屆IAPR國際會議。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.）

總結

以上是生活随笔為你收集整理的摔倒、摔倒检测数据集的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。