Cameragebaseerde valdetectie gebruikmakende van reële data

Meer dan dertig percent van de personen ouder dan 65, vallen minstens een keer per jaar en kunnen dikwijls niet meer alleen opstaan. In de literatuur zijn verschillende camera gebaseerde valdetectiesystemen voorgesteld met als doel hulpverleners op een betrouwbare manier te alarmeren wanneer een oudere persoon thuis valt. Deze algoritmes zijn bijna uitsluitend geëvalueerd aan de hand van korte videosegmenten die opgenomen werden in artificiële omgevingen onder optimale omstandigheden en met vallen die gesimuleerd werden door acteurs. Daarentegen, verzamelden wij een real-life video dataset die werd opgenomen gedurende meerdere maanden bij zeven oudere personen thuis.
 
In dit proefschrift tonen we eerst een analyse van deze real-life video dataset, waarbij we ook de verschillende vallen en de vele geïdentificeerde uitdagingen bespreken. Gebruikmakende van deze kennis, hebben we ons valdetectie systeem geïmplementeerd in verschillende fases, waarbij we de bekende en bijkomende uitdagingen aangepakt hebben. Eerst hebben we gebruik gemaakt van een basistechniek om achtergrond te verwijderen om een persoon in het beeld te kunnen volgen. Daarna hebben we de meest populaire kenmerken geïdentificeerd en hiermee een classifier gemaakt om vallen te classificeren met behulp van een support vector machine. Onze validatie met de real-life dataset resulteerde in een hoger aantal valse alarmen dan wat er in de literatuur gerapporteerd werd.

Om het aantal gegenereerd valse alarmen te verminderen, hebben we tijdsinformatie toegevoegd aan onze feature-vector. Ook hebben we de performantie van ons algoritme vergeleken met drie publicaties die allemaal getest werden op een publiek beschikbare gesimuleerde dataset.  De resultaten van ons algoritme getest op de simulatie data zijn vergelijkbaar met de drie andere. Maar als we ons algoritme testen met de real-life dataset krijgen we veel slechtere resultaten. Vooral het aantal valse alarmen was hoog. Hieruit blijkt dat er toch nog enkele uitdagingen opgelost moeten worden om het systeem voldoende robuust te maken voordat het in thuissituaties gebruikt kan worden. Onze conclusie is dat het essentieel is om meer realistische datasets met lange videosegmenten en diverse normale activiteiten te gebruiken om de zwaktes in valdetectie systemen bloot te leggen.

Verder tonen we verschillende manieren om de uitdagingen, die de vele valse alarmen veroorzaakten, aan te pakken. Ten eerste, het gebruik van een partikel filter in combinatie met een persoonsdetector verbetert de robuustheid van onze voorgrondsegmentatie.
Het aantal gegenereerde valse alarmen werd gehalveerd en de sensitiviteit steeg zelfs in sommige gevallen. Ten tweede, het selecteren van enkel niet-geoccludeerde vallen om het model van onze valdetector te trainen, laat het aantal valse alarmen verder dalen van gemiddeld 31.4 naar 26 vallen per dag. Ten derde, het personaliseren van de detector, door verschillende dagen video data van de gevolgde persoon toe te voegen aan de trainingsdata, verbetert de robuustheid van het systeem nog verder. De toegevoegde data bevat geen vallen, dus enkel normale activiteiten. In het ene geval werd het aantal valse alarmen met een factor 7 verminderd, in het andere geval steeg de sensitiviteit met 17% terwijl het aantal valse alarmen slechts met 11% toenam. De twee finale voorstellen zijn een beetje anders: het gebruik maken van late fusie om meerdere camera's te combineren en een andere aanpak om vallen te detecteren door gebruik te maken van abnormale inactiviteit.