摔倒检测是人体行为识别领域的一个热点研究问题,受到了研究者的广泛关注。本文重点研究如何从RGB-D图像序列中提取有强描述能力的特征表示、判断视频中是否发生了摔倒动作。本文提出了一种基于关键点轨迹模型的摔倒动作检测方法,将摔倒动作表示为一系列轨迹描述符。该方法从RGB-D图像序列中提取了16个关键点的三维信息,包括14个人体骨骼点和2个身体部位重心。然后在RGB-D序列中跨越连续多帧连接关键点,获得16条关键点轨迹,以此为基础建立一个全局轨迹描述符。轨迹描述符融合了关键点的空间、深度和时间信息,可以表达人体在短时间内的全局运动。采用随机森林对轨迹描述符进行分类,设计了一种整合规则,根据视频中所有轨迹描述符的分类结果检测视频中是否包含摔倒动作。本文提出了一种无监督的基于3D骨骼点三角形拟合的摔倒检测方法,该模型仅使用五个关键骨骼点,并在三维空间用一个三角形进行拟合。通过观测大量数据发现,摔倒动作的拟合三角形与普通动作的三角形具有明显的区别,提取了两个重要的角度特征作为摔倒检测的依据。该方法无需大量标注训练数据,具有更好的泛化性能。为了评估关键点轨迹模型和基于3D骨骼点的三角形拟合模型的性能,在UR摔倒数据集和SDU摔倒数据集上进行了充分实验。实验结果表明,基于3D骨骼点的三角形拟合模型能够在没有标注训练数据的情况下取得较高的摔倒检测正确率,而关键点轨迹模型在两个数据集上取得了目前最佳的检测结果,充分证明了本文方法的有效性。