Abstract-Band - Fakultät für Informatik, TU Wien - Technische ...

sich als geeignet herausgestellt. Dabei wird ein Bild durch die Häufigkeiten
seiner enthaltenen visuellen Worte beschrieben. Diese visuellen Worte werden
von lokalen Bildmerkmalen abgeleitet. Methoden auf dem aktuellen Stand der
Wissenschaft verwenden SIFT Merkmale, welche den Nachteil einer aufwendigen
Berechnung haben. Um dem entgegenzuwirken werden in dieser
Arbeit SIFT Merkmale durch binäre Merkmale ersetzt. Binäre Merkmale bestehen
aus einer einfachen Liste an Bits und ermöglichen bestimmte Schritte der Bags
of Visual Words Methode effizienter durchzuführen. Das Erzeugen der visuellen
Worte ist einer dieser Schritte und äußerst zeitaufwändig. Ein alternativer
Clustering-Algorithmus, kShifts, wird untersucht, um diesen Schritt effizienter
durchzuführen. Weiters wird der kMeans Algorithmus für binäre Merkmale
angepasst und mit kShifts verglichen. Für die Evaluierung des vorgestellten
Systems werden frei verfügbare Bilddatenbanken verwendet. Ein Vergleich mit
aktuellen Methoden wird gezogen. Zusätzlich wird eine Bilddatenbank mit circa
1,000,000 Pressebildern als praxisorientierter Anwendungsfall untersucht.
Christopher Pramerdorfer
Depth Data Analysis for Fall Detection
Studium: Masterstudium Visual Computing
BetreuerIn: Privatdoz. Dr. Martin Kampel
Falls are a leading cause for accidental deaths among persons aged 65 or
older. Fall victims require immediate assistance in order to minimize morbidity
and mortality rates. However, statistically every other fall victim is unable to get
back up without help. The aim of fall detection is to ensure fast assistance by
automatically informing caretakers in case of falls. Different methods have
been proposed for this purpose, but there are still unresolved issues that limit
the applicability of fall detection systems in practice. This thesis introduces a
new fall detection system using current depth-sensing technology, with the
aim of addressing these limitations. This sensor technology has several
advantages over alternatives; it is unobtrusive, preserves the privacy of subjects,
and works independently of lighting conditions, allowing for continuous
monitoring. The generated data enables powerful scene analysis and,
consequently, reliable fall detection. The applicability of this technology is
verified by means of a quantitative analysis, in order to assess its limitations
and data quality. In contrast to existing methods, the proposed system
emphasizes person detection and tracking, which allows for robust temporal
analysis and thus improves fall detection performance. To this end, this work
also proposes a new motion detection algorithm optimized for depth data and
fall detection. Furthermore, this work contributes to the research field of
tracking by introducing effective means for tracking multiple persons. The
proposed system is easy to set up, plug and play, and can run on inexpensive
low-end hardware, promoting broad acceptance. This work shows that reliable
fall detection in depth data is possible, as verified on a comprehensive fall
database. At the time of writing, the system is tested under practical conditions
in four countries, with promising first results.
26