Wyszukiwarka
Abstrakt
This paper presents the development and preliminary testing of a fall detection algorithm that leverages OpenPose for real-time human pose estimation from video feeds. The system is designed to function optimally within a range of up to 7 meters from ground-level cameras, focusing exclusively on detected human silhouettes to enhance processing efficiency. The performance of the proposed approach was evaluated using accuracy values obtained from experiments conducted on the Town Centre Dataset, Multiple Cameras Fall Dataset, and MPII Human Pose Dataset. The results demonstrate high accuracy levels for the investigated approaches, with the Dense Neural Network achieving accuracy rates of 98% on both the Town Centre & MPII Human Pose Dataset and the Multiple Cameras Fall Dataset. These findings highlight the effectiveness of the proposed fall detection system in accurately identifying fall events based on estimated human poses. This study details the algorithm's design, challenges in implementation, and potential for future IoT device integration, aiming to significantly enhance public safety and community monitoring capabilities.
Cytowania
-
0
CrossRef
-
0
Web of Science
-
0
Scopus
Autorzy (5)
-
Tomasz Ludwisiak
-
Jo Kang-Hyun
Cytuj jako
Pełna treść
pełna treść publikacji nie jest dostępna w portalu
Słowa kluczowe
Informacje szczegółowe
- Kategoria:
- Aktywność konferencyjna
- Typ:
- publikacja w wydawnictwie zbiorowym recenzowanym (także w materiałach konferencyjnych)
- Język:
- angielski
- Rok wydania:
- 2024
- Opis bibliograficzny:
- Ludwisiak T., Mazur-Milecka M., Kocejko T., Rumiński J., Kang-Hyun J.: Evaluating the Use of Edge Device Towards Fall Detection in Smart City Environment// / : , 2024,
- DOI:
- Cyfrowy identyfikator dokumentu elektronicznego (otwiera się w nowej karcie) 10.1109/iwis62722.2024.10706067
- Źródła finansowania:
-
- Działalność statutowa/subwencja
- Weryfikacja:
- Politechnika Gdańska
wyświetlono 8 razy
Publikacje, które mogą cię zainteresować
A Novel IoT-Perceptive Human Activity Recognition (HAR) Approach Using Multi-Head Convolutional Attention
- H. Zhang,
- Z. Xiao,
- J. Wang
- + 2 autorów