基于YOLOv11n改进的跌倒检测算法

尹姣; 罗先喜; 刘树博

doi:10.12404/j.issn.1671-1815.2500294

科学技术与工程 ›› 2026, Vol. 26 ›› Issue (4) :1586-1594 DOI: 10.12404/j.issn.1671-1815.2500294

自动化技术、计算机技术

基于YOLOv11n改进的跌倒检测算法

作者信息 +

Improved Fall Detection Algorithm Based on YOLOv11n

Author information +

文章历史 +

摘要

针对当前基于视觉的跌倒检测方法无法较好平衡检测精度与响应速度、所设实验环境单一的问题，提出了一种基于YOLOv11n改进的轻量级跌倒检测算法MWA-YOLO。将轻量级的通道注意力机制MLCA（mixed local channel attention）引入C3K2模块，增强通道特征的表现力以减少通道分割导致的信息丢失。引入WIoU替换原模型中的CIoU作为新的边界框损失函数，提升模型在复杂环境中边界框的定位精度。将网络结构中的部分标准卷积Conv层替换为改进后的下采样ADown模块，增强模型对有效信息捕捉能力的同时保持轻量化。实验结果表明，MWA-YOLO跌倒检测算法较YOLOv11n在mAP@0.5指标上从92.3%提升到了93.5%，参数量和计算量仅有2.2×10⁶和6.0×10⁹，可部署在计算资源有限的硬件设备中，用于日常生活场景中的跌倒检测。

Abstract

To address the challenges of balancing detection accuracy and response speed in vision-based fall detection methods，as well as the limitations posed by a single experimental environment，a lightweight fall detection algorithm based on an improved YOLOv11n，termed MWA-YOLO，was proposed. The algorithm incorporated a lightweight channel attention mechanism mixed local channel attention（MLCA） into the C3K2 module to enhance channel feature representation and mitigate information loss due to channel splitting. Additionally，the WIoU loss function was introduced to replace the original CIoU，improving bounding box localization accuracy in complex environments. Several standard convolutional layers in the network were substituted with the advanced downsampling ADown module to bolster the model’s ability to capture relevant features while maintaining its lightweight characteristics. Experimental results demonstrate that MWA-YOLO achieves an improvement in the mAP@0.5 metric from 92.3% to 93.5% when compared to YOLOv11n，with a model size of only 2.2×10⁶ parameters and 6.0×10⁹ FLOPs. This makes the proposed method suitable for deployment on hardware with limited computational resources，making it ideal for fall detection in real-life scenarios.

Graphical abstract

关键词

跌倒检测 / 轻量化 / MLCA / WIoU / ADown

Key words

fall detection / lightweight / mixed local channel attention（MLCA） / WIoU / ADown

引用本文

引用格式 ▾

尹姣, 罗先喜, 刘树博. 基于YOLOv11n改进的跌倒检测算法[J]. 科学技术与工程, 2026, 26(4): 1586-1594 DOI:10.12404/j.issn.1671-1815.2500294

YIN Jiao, LUO Xian-xi, LIU Shu-bo. Improved Fall Detection Algorithm Based on YOLOv11n[J]. Science Technology and Engineering, 2026, 26(4): 1586-1594 DOI:10.12404/j.issn.1671-1815.2500294

登录浏览全文

4963

注册一个新账户忘记密码

据《2023年度国家老龄化事业发展公报》显示，截至2023年末，全国60周岁及以上老年人口29 697万人，占总人口的21.1%。该数据表明，中国已进入中度老龄化社会，且老龄化进程呈现加速态势。在养老服务供给方面，结构性矛盾日益凸显。截至2023年末，全国养老机构床位总量为823万张，但护理型床位占比仅58.9%，且专业护理人员缺口显著。据测算，当前养老护理人员与失能老人配比远低于1∶3的国际标准，反映出养老服务人力资源储备不足的问题。随着年龄增长，老年人生理机能衰退导致跌倒风险显著增加，65岁以上群体跌倒发生率较普通人群高出3~5倍。跌倒不仅造成髋部骨折等严重损伤，更会引发“跌倒-失能-医疗支出增加”的恶性循环，给家庭照护和医疗保障体系带来双重压力。

常用的跌倒检测方法可以分为三类：基于智能穿戴设备的方法、基于环境式传感器的方法和基于视觉的方法^[1]。基于智能穿戴设备的方法即通过在人身上佩戴智能手环等设备，实时监测佩戴者运动状态从而判断其是否跌倒。这种方法要求被监测者长期佩戴监测设备，并定期维护，舒适度不高。基于环境式传感器的方法是通过在人的所处环境中布置压力传感器等来实现监测。但该方法监测范围有限，日常环境中部署成本较高。上述两种方法所存在的问题，基于视觉的方法都可较好的避免。利用摄像头进行运动状态的检测，可做到无接触；与环境式传感器相比，摄像头的成本更低，检测精度更高 ^[2-4]。通过在老年人的居住环境中安装摄像头，一旦检测到跌倒事故的发生就发出警报，便可以为跌倒的老年人提供及时的救助，降低跌倒带来的风险和后续的治疗费用。因此，基于视觉的跌倒检测算法是一个值得研究的课题。

现阶段基于视觉的跌倒检测算法已取得一定成果。为解决跌倒检测算法无法在昼夜进行持续性检测的问题，谢宗原等^[5]提出了一种跌倒检测系统，该系统将YOLOv5进行轻量化后与双摄像头配合使用，其中一个摄像头具备红外功能，可实现夜晚跌倒的检测。实验结果表明，该系统可有效解决无法持续性昼夜检测的问题。姿势估计作为一种常用的基于视觉的跌倒检测方法，因模型规模大，实时性差而较少用于日常生活中。伏娜娜等^[6]为解决该问题，在OpenPose模型中引了MobileNets中深度可分离卷积的思想，即将特征提取网络VGG19中的标准卷积替换为深度可分离卷积，极大地减少了网络模型参数，改进后的模型与YOLOv5s配合使用后，对跌倒行为的检测准确率达到95.43%，运行速度最高可达到25 FPS。面对室外电动车人流和行人影子对跌倒检测精度的影响问题，熊明福等^[7]利用YOLOv5对视频帧进行预处理，实现行人背景重构，随后以光流和行人姿态的预测框为运动特征作为判定是否发生跌倒的条件，在不同帧序列和背景实验下，该方法相较于传统方法在准确率上提升了9%，电动车流和行人影子的抗干扰性明显增强。为更好的检测到跌倒过程中复杂的身体结构以及与地板的相互作用，Hwang等^[8]在YOLOv9中整合了全局注意力模块GAM（global attention mechanism）和Swin Transformer（shifted window transformer）模块，不仅使得模型的检测得到提高，还可对跌倒时的身体运动进行分析，经实验证明，改进后的YOLOv9在其数据集中可达到98.2%的检测精度。针对当前跌倒检测算法在低算力工业场景中的应用较少，部署要求高的问题，Khan等^[9]提出了一种增强版的YOLOv8模型，通过在主干网络中集成焦点模块和CBAM（convolutional block attention module）注意力机制，改善模型对空间和通道上下文的特征提取能力，提升了跌倒检测算法在实时监控和辅助生活中的应用价值。

但基于视觉的跌倒检测算法仍存在不足。一是跌倒是一个快速发生的过程，用于检测跌倒的算法需要保证检测精度的同时具备较好的实时响应能力，大部分检测算法的高精度需要高性能的硬件设备的支撑，这不适用于日常生活场景中^[10]。二是人的居住场景通常由多个房间组成，室内摆放物品较多，整体环境较为复杂，且场景中不仅涉及单人活动，还涉及多人互动，而当前大部分研究在一个固定的场景中，对单个行人进行实验，实验数据所呈现的人物活动较为单一，场景复杂度也较低，与现实生活中跌倒的发生存在较大出入。

为解决上述问题，提出一种基于YOLOv11n改进的跌倒检测算法。首先，在其网络结构中的C3K2（convolutional three-scale kernel-adaptive dual-path）模块中引入MLCA（mixed local channel attention），以整合多方面信息，强化网络的表达能力；其次，采用WIoU损失函数代替原算法中的CIoU损失函数，以提高模型在复杂环境中目标框的定位精度；最后，在下采样ADown（adaptive downsampling）模块中引入MLCA注意力机制，并用其替换模型中的部分普通下采样卷积Conv，降低模型的计算复杂度，实现模型轻量化。改进后的算法较好平衡了检测精度和轻量化效果，可用于计算资源有限的硬件设备中，为跌倒检测系统走入日常家用提供了可能性。

1 YOLOv11模型

YOLOv11是由Ultralytics团队于2024年9月推出的。此前的YOLOv5、YOLOv8均来自这家公司。在YOLO系列算法中，YOLOv5和YOLOv8因其速度快，准确性和效率高的特点备受关注，也因其模块化的设计，易用性好，计算开销小，在边缘部署场景中应用广泛。YOLOv11继承前者的优势，对主干、颈部和头部3处网络结构均做出改进，增强了模型的特征提取能力，在coco数据集上的性能表现均优于其他版本。

YOLOv11的网络结构图如图1所示。在主干网络部分，YOLOv11继续沿用CSPNet（cross stage partial network）思想，并将YOLOv8中的4个C2F层替换为C3K2模块。在SPPF（spatial pyramid pooling fast）模块后，YOLOv11引入了C2PSA（cross stage partial with pyramid squeeze attention）模块作为主干网络与颈部网络的过渡层，C2PSA在C2F（faster implementation of CSP bottleneck with 2 convolutions）模块基础上结合了PSA（pointwise spatial attention），实现更为强大的注意力机制，可提高模型对重要特征的捕捉，并且C2PSA设置了残差结构的调用，可用于优化梯度传播和网络训练效果。在颈部网络中，YOLOv11保留了YOLOv8使用的PAN（path aggregation network）结构，其中的C2F模块替换为C2K3模块。在头部网络中，YOLOv11使用了Anchor-free和Decoupled-head，与YOLOv8不同的是，在分类检测头中，YOLOv11增加了两个深度可分离卷积DSConv（depthwise separable convolution），减少了模型的参数量和计算量。

2 跌倒检测算法MWA-YOLO

2.1 模型网络结构

图2为所提出的MWA-YOLO的网络结构图。在主干网络中，将MLCA注意力机制模块引入C3K2模块中，增强主干网络的特征提取能力；将模型的边界框损失函数替换为WIoU损失函数，提高模型的目标框定位精度；为进一步降低模型复杂度和参数量，将部分标准卷积Conv替换为下采样ADown模块。

2.2 C3K2-MLCA模块

在YOLOv11模型中，C3K2模块为其中一大重要的特征提取模块，由传统的C3模块改进而来。相较于标准的C3模块，C3K2引入了多个可变卷积核C3K，通过对卷积核大小进行调整，加强模型对上下文信息的捕捉能力，在背景复杂的场景中应用效果更佳；除了可变卷积核的引入，C3K2模块还采用通道分割，只对部分通道特征进行深层次特征的提取后进行拼接，使得模型能够提取到深层次特征的同时保持轻量化，其结构如图3所示。可变卷积核C3K作用于通道分割后的1/2通道上，另1/2通道仅进行普通卷积操作，在两支路特征提取完成后，C3K2采用卷积操作对两部分通道特征进行融合，此举很好地整合了不同通道中的特征信息。但通道分割操作在一定程度上会破坏通道信息的完整性，尤其在不同分支的特征提取处理中，一些重要的关联信息会因此丢失。

为减少因通道分割带来的通道特征不完整的问题，在C3K2模块中引入MLCA。MLCA是一种轻量级的注意力模块，结合了通道和空间两种信息，同时关注局部和全局信息，可用于提升模型的检测精度^[11]。在C3K2模块的Bottleneck结构后引入MLCA模块，可帮助C3K2模块捕捉因通道分离丢失的重要特征信息，MLCA模块结构图如图4所示^[12]。首先对输入特征图进行局部池化处理，得到特征图每个局部区域的通道特征值后，并行处理空间特征和通道特征，以学习空间特征与通道特征的相关性，用于分别计算出两者的权重，通道特征权重与空间特征权重之和即为混合局部通道注意力权重。将混合局部通道注意力权重与输入特征图相乘，融合不同通道和空间位置的特征，以形成新的特征图作为输出用于后续任务的处理。经过MLCA模块处理后的特征图，其不同通道的重要特征得到加强，模型可以精确关注到这些重要特征，减少通道信息的丢失。

2.3 损失函数

损失函数是用来评价模型稳定性的重要指标，可较大程度地影响检测结果和模型收敛速度。YOLOv11算法采用的边界框损失函数为CIoU Loss。CIoU损失函数结合了目标框重叠面积、长宽比和中心点距离这三方面的信息，可以提供一种较为全面的框评估方式。但在跌倒检测中，CIoU无法处理目标框较小或边界框与目标物体的形态差异较大的情况，因为CIoU对于边界框的旋转角度和尺度差异的适应能力较弱，而这些情况在跌倒检测中出现较多。

针对这一不足，采用WIoUv1作为边界框损失函数，WIoUv1损失函数的计算公式如式（1）所示。

WIoUv1通过引入距离注意力机制，动态调整IoU的权重，以平衡对不同质量目标框的关注程度^[13]。当锚框与目标框的重合效果较好时，WIoUv1会更加注重两者中心点之间的距离，这有助于提高复杂场景中目标框的定位精度，同时可削弱几何因素的惩罚，使模型获得更好的泛化能力。

（1）L_WIoUv1=exp$\left[\frac{（x-{x}_{gt}{）}^{2}+（y-{y}_{gt}{）}^{2}}{{W}_{g}^{2}+{H}_{g}^{2}}\right]$（1-IoU）

式（1）中：x和y为预测框的中心点坐标；x_gt和y_gt分别为真实框的中心点坐标；W_g和H_g分别为真实框和预测框的最小外接矩形的宽与高；IoU为真实框和预测框之间的交并比。

2.4 ADown模块

为降低模型的计算复杂度和参数量，通过更换下采样方法帮助模型在获取更高维度图像特征的同时，降低计算开销。在跌倒检测场景中，图像采集设备通常是固定在天花板等位置，所采集到的被检测者图像尺度不一，传统的卷积下采样方法在处理尺寸较小或细节复杂的目标时，易导致关键信息的丢失。ADown是一种轻量化下采样模块，利用池化操作来代替大步长标准卷积，使得输入特征图经过平均池化操作后大小减半，以此降低模型的计算复杂度^[14]。随后将通道维度分半处理，两条处理路径均进行了卷积操作，可进行参数共享，以减少参数量，其中一条在卷积操作前进行了最大池化，处理后的两路径通过拼接完成输出。

为增强通道分离后两部分通道中特征的提取能力，对原有的ADown模块进行改进，在通道分离形成的两条处理路径中引入MLCA注意力机制模块，增强对空间及通道中信息的捕捉能力，减少重要信息的丢失。改进后的ADown模块结构如图5所示。

3 实验结果与分析

3.1 数据集

在YOLO系列算法中，数据集是决定模型性能的关键因素之一。在训练过程中，数据集为模型提供足够的检测特征和背景信息，帮助其更好的学习目标特征，同时包含一定程度的干扰信息帮助模型提高鲁棒性。为使得训练后的模型在不同场景中都能拥有较好的准确性和泛化能力，因此数据集需要具备多样化特性。选取3个公开数据集：FDD（fall detection dataest）^[15]、MCF（multiple cameras fall dataset）^[16]和URFD（UR fall detection dataset）^[17]。同时为保证数据集中场景的多样性，使模型能从中学习到更多日常生活场景中发生跌倒事件的特征，从网络平台收集许多室内与室外的跌倒与非跌倒图像，将这些图像与上述3个公开数据集相混合，使用LabelImg软件对3个数据集进行手工标注，设定3种类别：p_fallen（跌倒）、p_stand（站立/弯腰）、p_sit（坐/蹲坐）。标记完成的图像划分为训练集、验证集、测试集3种，其中训练集3 486幅。数据集中包含不同身高、体型、衣服穿着的人，不同角度的拍摄，以及不同的场景和光照设计，保证了数据的多样性。

3.2 实验环境

所使用的硬件与软件环境配置如表1所示。为保证模型能充分学习到目标特征，在进行模型训练实验时，设置100个epochs；batch size=32；学习率l_r=0.001。

3.3 评价指标

为对所提出的模型性能进行客观评估，采用目标检测任务中常使用的平均准确率均值（mean average precision，mAP）、参数量（Params）、计算量（giga floating point operations，GFLOPs）作为评价指标。

mAP是所有类别的平均准确率的平均值，mAP的值越大，表示模型的准确率越高，其计算公式如式（2）所示。

mAP有两种形式，分别为mAP@0.5和mAP@0.5：0.95。其中，mAP@0.5代表IoU的阈值为0.5时计算所得的mAP，mAP@0.5：0.95代表IoU阈值从0.5开始，以0.05的步长增长到0.95时的mAP平均值。

（2）mAP=$\frac{1}{\left|{Q}_{R}\right|}{\sum }_{q\in {Q}_{R}}^{}$AP（q）

（3）AP=${\int }_{0}^{1} $P（R）dR

式中：$\left|{Q}_{R}\right|$为目标类别的数量；q为检测目标的类别；AP（q）为类别q的平均精度。

参数量指模型中参与训练的所有权重参数的总数，它通常反应了模型的复杂程度以及对硬件资源的要求。计算量FLOPs指模型完成一次前向传播所需的浮点运算次数，GFLOPs与FLOPs的换算关系式如式（4）所示，它用于衡量模型的计算复杂度。选取参数量和计算量作为模型性能的评价指标可以较好反应改进后的模型是否满足计算开销小、响应快的要求。

（4）$1 \text { GFLOPs }=10^{9} \text { FLOPs }$

3.4 改进模块效果对比实验

3.4.1 C3K2模块改进效果对比

为验证改进后模型的效果，通过设立对比实验验证所做改进的效果。C3K2模块作为YOLOv11所提出的创新性模块，针对其存在的不足，引入可增强通道特征信息的模块来解决，对比的模块为：EMA模块^[18]、SE模块^[19]、CBAM模块^[20]以及MLCA模块。实验结果如表2所示。

从表2可以看出，所引入的可增强通道特征信息的模块相较于原始的C3K2模块在性能方面均有提升，其中MLCA模块和CBAM模块引入后的提升效果最为明显，相较于原C3K2模块，C3K2-CBAM模块在mAP@0.5指标上提升0.97%，但参数量增加了0.81%；C3K2-MLCA模块的mAP@0.5提升1.08%，且参数量和计算量并未明显增长。因此MLCA模块更适用于本文模型。

3.4.2 损失函数对比实验

为验证所更换的损失函数对模型性能的影响，对常见的损失函数进行对比实验，对比结果如表3所示，包含5种损失函数对模型性能的影响。WIoU通过引入距离注意力机制，提高了模型在复杂环境中的定位精度，缓解了场景中目标大小实时变化问题带来的干扰。实验结果表明，WIoU损失函数能够提升模型的检测精度。

3.4.3 ADown模块改进效果对比

为使得模型能够兼顾精度和计算量，对当前模型进行了轻量化。为验证改进后的ADown模块在不同位置对模型精度和轻量化效果的影响，对网络中不同位置的Conv层进行了替换，其中颈部网络中的效果最好，但为了使模型更具轻量化，对主干中各Conv层的替换效果进行了比较，如表4所示。其中替换颈部网络中所有Conv层和主干网络最后一层的Conv的方案效果最好，与原模型相比，此方案在mAP@0.5指标上提升了0.75%，参数量下降了13.36%，计算量下降了4.76%，很好地兼顾了模型精度与轻量化。同时，为验证改进后的ADown模块的性能，对改进前后ADown模块在相同位置进行了比较，改进后ADown模块在mAP@0.5上提升了0.21%，模型参数量几乎不变。

3.5 消融实验

为验证所采用的各模块之间的融合效果，对上述改进做了消融实验，结果如表5所示。在部分C3K2模块中引入MLCA模块，相较于Baseline 的mAP@0.5提升了1.08%；使用WIoUv1作为损失函数在mAP@0.5指标上提升了0.32%；采用改进后的ADown模块代替网络结构中的部分Conv层后，不仅在mAP@0.5指标上提升了0.75%，参数量下降还了13.36%，计算量下降了4.76%，轻量化效果较好；同时采用所提出的改进策略，经过迭代训练使模型达到收敛状态后，相较于Baseline，本文算法在mAP@0.5上提升了1.28%，参数量下降了13.36%，计算量下降了4.76%，很好地兼顾了检测精度和模型轻量化。

3.6 不同模型间的对比实验

为验证所提出算法的有效性，在相同实验环境下，将MWA-YOLO与此前热门的部分YOLO系列算法和其他目标检测算法进行对比，结果对比如表6所示。

从表6可以看出，YOLOv5s在检测精度方面优于所提出的算法，但在参数量与计算量方面，所提出算法相较于YOLOv5s分别下降68.12%和62.02%，精度仅相差0.02，能更好平衡检测精度和轻量化。与SSD^[21]相比，在mAP@0.5指标上提升了7.1%，在参数量与计算量两个指标上，所提出算法远低于SSD，轻量化效果更好；与YOLO系列算法的对比中，MWA-YOLO比YOLOv8n、YOLOv10n、YOLOv10s^[22]、YOLOv11n和YOLOv11s等轻量型算法的mAP@0.5指标都高，分别高出0.53%、1.63%、0.53%、1.3%和0.97%，在参数量方面分别降低25.58%、16.99%、72.16%、13.36%和76.23%；尽管YOLOv5n在参数量与计算量方面低于所提出算法，但其检测精度与所提出算法相比下降了1.71%；与模型参数量和计算量更大的YOLOv8s相比，所提出算法在mAP@0.5指标上提升了0.21%，但参数量仅为YOLOv8s的20.1%，GFLOPs仅为YOLOv8s的21.12%。可以看出，所提出算法的综合表现均优与其他算法，在兼顾检测精度和轻量化方面做的更好。

3.7 检测效果分析

如图6所示，展示了MWA-YOLO算法在本实验自制数据集中的检测效果。图6a为室外所拍摄的跌倒场景，该场景存在多人活动，跌倒目标存在部分遮挡。YOLOv11n成功检测出了背景不完整的站立姿势，但前景的跌倒目标与蹲坐目标存在误检和定位框选不精准的问题。相比之下MWA-YOLO定位框选更精准，对动作的识别更精准。

图6（b）为室内安装在天花板的摄像机所拍摄的多人场景。YOLOv11n对左侧不完整的目标发生了漏检，而MWA-YOLO未发生漏检。

图6（c）为目标与背景相似度较高的场景，跌倒目标存在部分遮挡。YOLOv11n对该场景中的跌倒目标产生了误检，并无法很好地识别背景和目标，导致了目标框定位不准确；MWA-YOLO未产生原算法的问题，在背景相似性高的场景中检测效果优于原算法。

4 结论

为解决当前基于视觉的跌倒检测算法无法很好平衡检测精度和轻量化效果的问题，提出一种基于YOLOv11n改进的跌倒检测算法MWA-YOLO。得出如下结论。

（1）MWA-YOLO将MLCA模块应用到主干网络和颈部网络的部分C3K2模块中，通过整合空间和通道双重信息减少特征提取过程中信息的丢失，从而提升模型的检测精度。

（2）将CIoU损失函数替换为WIoU损失函数。通过引入距离注意力机制，动态调整IoU的权重，以平衡对不同质量锚框的关注度，改善模型目标框定位不精准的问题。

（3）提出新型下采样ADown模块。增加MLCA注意力机制层，减少通道分割导致的信息不完整。用其替换部分普通下采样卷积Conv，使得模型保留更多有用空间信息，在特征提取时减少对不重要信息的关注，以此降低模型的计算复杂度，实现轻量化。

（4）在所制数据集上的实验结果表明，所提出的算法MWA-YOLO与改进前的YOLOv11n相比在mAP@0.5指标上提高了1.3%，模型参数量下降了13.36%；与主流轻量级算法相比，MWA-YOLO能更好平衡检测精度和轻量化效果，为计算资源受限的边缘设备提供了可靠的检测方案，也为跌倒检测系统在日常家用中提供了实际应用的可能性。未来所提算法可融合多特征信息同时检测，进一步提升模型在复杂场景下的检测精度。

参考文献

原文顺序 | 出版日期 | 本文引用

[1]	Wang X, Ellul J, Azzopardi G. Elderly fall detection systems: a literature survey[J]. Frontiers in Robotics and AI, 2020, 7: 71.

[2]	Gutiérrez J, Rodríguez V, Martin S. Comprehensive reviewof vision-based fall detection systems[J]. Sensors, 2021, 21(3): 947.

[3]	Alam E, Sufian A, Dutta P, et al. Vision-based human fall detection systems using deep learning: a review[J]. Computers in Biology and Medicine, 2022, 146: 105626.

[4]	王莉, 赵艳阳, 刘雪峰, 等. 基于惯性传感器的跌倒检测技术研究进展[J]. 科学技术与工程, 2017, 17(32): 205-213.

[5]	Wang Li, Zhao Yanyang, Liu Xuefeng, et al. The research progress of the fall detection technology based on the inertial sensor[J]. Science Technology and Engineering, 2017, 17(32): 205-213.

[6]	谢宗原, 马鸿雁, 李晟延, 等. 基于轻量化YOLOv5和双摄像头老人跌倒检测[J]. 科学技术与工程, 2024, 24(33): 14330-14338.

[7]	Xie Zongyuan, Ma Hongyan, Li Shengyan, et al. Elderly fall detection based on lightweight YOLOv5 and dual cameras[J]. Science Technology and Engineering, 2024, 24(33): 14330-14338.

[8]	伏娜娜, 刘大铭, 程晓婷, 等. 基于轻量级OpenPose模型的跌倒检测算法[J]. 传感器与微系统, 2021, 40(11): 131-134, 138.

[9]	Fu Nana, Liu Daming, Cheng Xiaoting, et al. Fall detection algorithm based on lightweight OpenPose model[J]. Transducer and Microsystem Technologies, 2021, 40(11): 131-134, 138.

[10]	熊明福, 李家辉, 熊捷繁, 等. 基于光流重构和深度姿态特征的行人跌倒检测方法[J]. 科学技术与工程, 2022, 22(35): 15688-15696.

[11]	Xiong Mingfu, Li Jiahui, Xiong Jiefan, et al. Pedestrian fall detection method based on optical flow reconstruction and depth pose feature[J]. Science Technology and Engineering, 2022, 22(35): 15688-15696.

[12]	Hwang H, Kim D, Kim H. FD-YOLO: a YOLO network optimized for fall detection[J]. Applied Sciences, 2025, 15(1): 453.

[13]	Khan H, Ullah I, Shabaz M, et al. Visionary vigilance: optimized YOLOV8 for fallen person detection with large-scale benchmark dataset[J]. Image and Vision Computing, 2024, 149: 105195.

[14]	王梦溪, 李峻. 老年人跌倒检测技术研究综述[J]. 计算机与现代化, 2024(8): 30-36.

[15]	Wang Mengxi, Li Jun. Review of fall detection technologies for elderly[J]. Computer and Modernization, 2024(8): 30-36.

[16]	朱周华, 侯智杰, 田成源, 等. 基于改进YOLOv8-pose的分心驾驶检测与识别[J]. 电子测量技术, 2024, 47(15): 135-143.

[17]	Zhu Zhouhua, Hou Zhijie, Tian Chengyuan, et al. Distracting driving detection and identification based on an improved YOLOv8-pose[J]. Electronic Measurement Technology, 2024, 47(15): 135-143.

[18]	Wan D, Lu R, Shen S, et al. Mixed local channel attention for object detection[J]. Engineering Applications of Artificial Intelligence, 2023, 123: 106442.

[19]	Wang K, Zhou H, Wu H, et al. RN-YOLO: a small target detection model for aerial remote-sensing images[J]. Electronics, 2024, 13(12): 2383.

[20]	Wang C Y, Yeh I H, Mark Liao H Y. YOLOv9: learning what you want to learn using programmable gradient information[C]// European Conference on Computer Vision. Berlin: Springer, 2025: 1-21.

[21]	Adhikari K, Bouchachia H, Nait-Charif H.Activity recognition for indoor fall detection using convolutional neural network[C]//2017 Fifteenth IAPR International Conference on Machine Vision Applications (MVA). New York: IEEE, 2017: 81-84.

[22]	Auvinet E, Rougier C, Meunier J, et al. Multiple cameras fall dataset[J]. Health Care Management Science, 2010, 1350: 24.

[23]	Kwolek B, Kepski M. Human fall detection on embedded platform using depth maps and wireless accelerometer[J]. Computer Methods and Programs in Biomedicine, 2014, 117(3): 489-501.

[24]	Ouyang D, He S, Zhang G, et al. Efficient multi-scale attention module with cross-spatial learning[C]// ICASSP 2023 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). New York: IEEE, 2023: 1-5.

[25]	Hu J, Shen L, Sun G. Squeeze-and-excitation networks[C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. New York: IEEE, 2018: 7132-7141.

[26]	Woo S, Park J, Lee J Y, et al. CBAM: convolutional block attention module[C]// Proceedings of the European Conference on Computer Vision (ECCV). Berlin: Springer, 2018: 3-19.

[27]	Liu W, Anguelov D, Erhan D, et al. SSD: single shot multibox detector[C]// Computer Vision-ECCV 2016: 14th European Conference, Amsterdam: Springer, 2016: 21-37.

[28]	Wang A, Chen H, Liu L, et al. YOLOv10: real-time end-to-end object detection[J]. arXiv Preprint, arXiv: 2405.14458, 2024.

基金资助

国家自然科学基金(62141102)

PDF (7944KB)

访问

被引

详细

导航

Received	Published	Revised
2025-01-13	2026-02-08	2025-10-22
Online Date
2026-09-21

摘要