随着我国人口老龄化程度不断加剧和社会生活压力的日渐增长,空巢老人的比例不断上升。老人独自居住造成很多社会问题,尤其是老人的健康问题,其中老人意外跌倒损伤是影响老人健康的主要原因之一。老人跌倒后没有被及时处理会增加二次伤害,甚至导致老人意外死亡。据相关统计50%以上的老人跌倒发生在家中,如果能够对老人的跌倒行为进行实时的监控,当老人发生跌倒行为后能准确识别,并向其监护人发送提醒信息,使老人得到及时的救助将极大减少跌倒对老人健康的伤害。基于此,本文展开了基于深度学习和WebRTC的智能跌倒监控系统的研究。主要工作如下:在分析基于深度学习和WebRTC的智能跌倒监控系统的功能需求的基础上,提出了系统的技术方案。该方案使用深度学习技术实现老人跌倒行为的智能识别,基于WebRTC视频传输架构实现远程视频传输。展开了基于深度学习的跌倒行为识别的研究。首先,提出并仿真实现了基于视频帧和VGGNet-16卷积神经网络模型的跌倒识别方法;对Le2i、SDU、UCF-101开源视频数据集,进行水平翻转、对比度和亮度调节、加噪等数据增强处理后构建卷积神经网络的训练集和测试集,对上述方法进行训练和测试。实验结果表明:该方法识别结果强烈依赖于训练场景。其次,针对上述的问题,提出了一种基于双流卷积神经网络的跌倒识别方法。该方法:一路采用场景相减法检测视频中的运动目标,将视频帧中运动目标加框标记后输入到3D-CNN模型中进行跌倒识别;另一路采用光流法提取视频的光流图,将光流图输入到VGGNet-16模型中进行跌倒识别;最后将两路模型的跌倒识别结果进行线性加权融合。实验结果表明:基于双流卷积神经网络的跌倒识别方法跌倒识别率为96%,比基于视频帧和VGGNet-16卷积神经网络模型的跌倒识别方法识别率提高了51%,比基于运动目标检测和3D-CNN的跌倒识别方法提高了4%,比基于光流图和VGGNet-16的跌倒识别方法提高了3%,且有良好的泛化能力。展开了基于WebRTC的远程视频监控的研究。提出了基于WebRTC的远程视频监控方案,搭建了视频传输的信令服务器和穿网服务器,并基于WebRTC实现了视频采集端、远程视频监控端。通过搭建含NAT的网络实验环境对系统进行测试,实验结果表明:本文实现的信令服务器、穿网服务器工作正常,视频传输客户端功能正常,且能够穿越防火墙和NAT的限制实现P2P的视频传输。