近期學習摔倒檢測，接觸摔倒資料集，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）

資料集網站：http://fenix.univ.rzeszow.pl/~mkepski/ds/uf.html

簡介：該資料集包含 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資料記錄跌倒事件，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) 設備收集傳感器資料，

資料集組織如下，camera 0 and camera 1 每行包含深度和 RGB 影像序列 (平行于地板和吸頂分別安裝)，同步資料和原始加速度計資料，每個視頻流都以 png 影像序列的形式存盤在單獨的 zip 存檔中，

“影像深度是指存盤每個像素所用的位數,也用于量度影像的色彩解析度，影像深度確定彩色影像的每個像素可能有的顏色灰度影像的每個像素可能有的灰度級數.它決定了彩色影像中可出現的最多顏色數,或灰度影像中的最大灰度等級，比如一幅單色影像,若每個像素有8位 例如:一幅畫的尺寸是1024*768,深度為16,則它的資料量為1.5M， 計算如下:1024*768*16bit(位)=(1024*768*16)/8Byte(位元組)=[(1024*768*16)/8]/1024KB=1536KB={[(1024*768*16)/8]/1024}/1024MB=1.5MB，”

有關深度影像可以參考 https://blog.csdn.net/dujuancao11/article/details/108960398

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

資料集詳情：

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（同步資料）

fall-01-data

Accelerometer data（加速度資料）

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

從深度影像中提取的特性以CSV格式存盤，每一行包含一個資料樣本，對應于一個深度影像，各列從左到右排列如下:

1. 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),
2. frame number - corresponding to number in sequence,（幀編號-對應于序列中的編號，）
3. 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，）
4. HeightWidthRatio - bounding box height to width ratio,（高寬比-限定框高寬比，）
5. MajorMinorRatio - major to minor axis ratio, computed from BLOB of segmented person,
6. 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，）
7. 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)，）
8. 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）
9. H - actual height (in mm),（H -實際高度(單位mm)，）
10. D - distance of person center to the floor (in mm),（D -人員中心到地面的距離(單位mm)，）
11. 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

用于模擬目的的資料集是原始RGB和深度影像，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，資料集總共包含 21499 張影像，在 22636 張影像的全部資料集中，可以使用 16794 張影像進行訓練，可以使用 3299 張影像進行驗證，可以使用 2543 張影像進行測驗，

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，每個影像中只有一個參與者，資料集中的某些影像為空，被歸類為 other，

我們使用了 2 位參與者的影像：32 歲的男性和 28 歲的女性，總共 16794 張訓練影像，3299 張驗證影像，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驗集，同樣，測驗集包含 3 名參與者的影像，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 張影像是按順序排列的，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影像和其水平翻轉影像，以增加集合中影像的數量，

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，基于卷積神經網路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.）