随着国家经济的迅速发展,城市化的步伐日益加快,投入使用的自动扶梯的数量也在迅速增加,在大型商场、地铁站、火车站和飞机场等客流量集中的地方,都放置了数目可观的自动扶梯。然而,随着扶梯设备数量的快速增加,与自动扶梯有关事故的频繁发生对行人的人身安全造成了巨大损害。为解决上述问题,一款能够准确检测行人在自动扶梯上摔倒的装置是必不可少的。由于现阶段大部分的跌倒研究都是使用可穿戴设备或基于PC端的已录制视频,缺乏灵活性和实时性,所以本文提出了一种基于计算机视觉的实时跌倒检测方法,将Open Pose模型与特征金字塔网络模型(FPN)相融合,通过检测人体关节点并结合部分亲和域的方法来预测出完整的人体,再结合人体自身参数设立特征点并计算阈值的方法来判断人体是否跌倒。通过该方法即可实现实时性好且可行的跌倒行为识别算法。本文主要工作包括以下几个方面:(1)基于人体自身特征对行人乘梯时的跌倒及其他常见姿态设立判断条件。首先分析人们在自动扶梯上的跌倒行为以及其他几种常见行为,对行人在乘梯时的状态进行分类,将分类结果与行人在乘梯时跌倒的原因及过程结合可总结出不同状态的表现特征,将该特征结合人体自身参数,而后可根据实际场景的不同情况共设立七个特征点,通过获取特征点坐标从而得到相关角度值及向量模长的方式,对夹角的度数及模长设立不同的阈值条件来分别对行人的直立、弯腰、行走及跌倒行为进行判断。(2)提出了基于FPN＿Open Pose模型的跌倒检测算法。该模型以Open Pose模型为基础,针对Open Pose现有的对小目标检测及异常姿态检测效果较差的问题,提出将特征金字塔网络(FPN)与Open Pose相融合的解决办法,加强对小目标的检测效果,并通过使用Tensorflow深度学习框架对算法以迁移学习的方式,使用经过手工标注的包含人体异常行为的数据集进行训练,然后对于输出的人体关节点坐标通过上文提到的方法做出跌倒行为判断,最终得到基于FPN＿Open Pose模型的跌倒检测算法。(3)对基于FPN＿Open Pose的行人跌倒检测算法进行实验和分析。首先对算法需要的环境进行搭建,然后对上文提出的FPN＿Open Pose模型通过迁移学习的方式,使用新的经过手工标注的数据集进行训练。接下来将根据实际场景的特性,对基于FPN＿Open Pose的行人跌倒检测算法设立四种不同的工况分别对行人乘梯时的四种状态进行检测,并将改进前的基于Open Pose的行人跌倒检测算法效果与本文提出的算法做对比,可以得到本文提出算法更加优秀的结论。