雖然目前影像跌倒偵測使用矩形長寬比技術日益成熟，但仍有許多日常行為導致跌倒偵測系統誤判如:彎腰、蹲下、手或腳的擺動等日常行為都有可能讓系統誤判為假陽性，所以本文提出一套使用旋轉矩形解決跌倒偵測誤判之假陽性的跌倒偵測系統，其方法可分為靜態排除法與動態排除法，靜態排除法主要是先透過物件偵測法將前景目標取出，並使用本文所提出的旋轉矩形框住物件輪廓，即可計算物件所旋轉的角度，透過此方式偵測跌倒行為可解決大部分使用矩形長寬比技術進行跌倒偵測所產生的假陽性誤判，但針對部分日常行為本文所提出的靜態排除法也有可能誤判為假陽性，所以本文將透過動態排除法解決靜態排除法可能出現的誤判並且還能提高跌倒偵測的準確率。

Although image fall detection uses the aspect ratio technology to become more mature, there are still many daily behaviors that cause false alarm of fall detection system. For example, bending, squats, hand or foot swings and other daily actions can cause the system to misjudge the false positive. In this paper, we propose a fall detection system that uses a rotating rectangle to resolve false positives in fall detection. Our system is divided into two parts: image exclusion method and video exclusion method. Image exclusion method uses object detection to retrieve foreground objects, and then use a rectangular box to cover the object contours, and use the proposed rotating rectangular wrap object contour, which is calculates the angle at which the object rotates. The detection of the fall behavior in this way can solve the false positive misjudgment caused by most of the rectangular aspect ratio techniques for fall detection. However, the static exclusion method for some daily behaviors may also be misjudged as false positives. Therefore, this paper will solve the possible misjudgment of static exclusion method through dynamic exclusion method and improve the accuracy of fall detection.

目錄
中文摘要	I
英文摘要	II
目錄	III
圖目錄	VII
表目錄	XIII
第一章 緒論	1
1.1.	研究背景	1
1.2.	研究動機與目的	3
1.3.	論文架構	4
第二章 文獻探討	5
2.1.	穿戴式跌倒偵測系統	5
2.2.	影像跌倒偵測系統	6
2.3.	影像跌倒偵測誤判探討	7
2.4.	影像跌倒偵測相關技術	9
2.4.1.	RGB色彩模型	9
2.4.2.	HSV色彩模型	11
2.4.3.	背景相減法(Background Subtraction)	12
2.4.4.	影像二值化	13
2.4.5.	影像形態學(Morphology)	16
2.4.6.	輪廓抽取(Find-Contour)	19
2.4.7.	矩形	20
2.4.8.	矩形長寬比	24
第三章 排除跌倒誤判之假陽性系統架構	26
3.1.	排除靜態誤判之假陽性	26
3.1.1.	物件偵測(Object Detection)	27
3.1.2.	跌倒偵測(Fall Detection)	32
3.2.	排除動態誤判之假陽性	35
3.2.1.	物件追蹤(Object Tracking)	36
3.2.2.	跌倒偵測(Fall Detection)	40
第四章 實驗結果	43
4.1.	實驗平台	43
4.2.	實驗環境	44
4.3.	跌倒偵測資料庫	45
4.3.1.	動態假陽性誤判資料庫	46
4.3.2.	靜態假陽性誤判資料庫	46
4.3.3.	動態跌倒資料庫	51
4.3.4.	靜態跌倒資料庫	52
4.4.	實驗結果	53
4.4.1.	排除靜態假陽性誤判實驗結果	53
4.4.2.	排除動態假陽性誤判實驗結果	55
第五章 結論與未來展望	58
參考文獻	59
 
圖目錄
圖1.1跌倒行為示意圖	3
圖1.2影像跌倒偵測系統誤判示意圖	4
圖2.1 橢圓形偵測跌倒行為示意圖[23]	6
圖2.2假陽性誤判示意圖	8
圖2.3假陰性誤判示意圖	8
圖2.4RGB色彩座標模型圖[28]	9
圖2.5 RGB加色模型[28]	10
圖2.6 HSV色彩模型[28]	11
圖2.7二值化門檻值示意圖[28]	14
圖2.8灰階轉二值化影像[28]	14
圖2.9 Otsu適應式二值化分割結果圖[29]	15
圖2.10經侵蝕運算後之結果圖[29]	16
圖2.11經膨脹運算後之結果圖[29]	17
圖2.12經閉合運算後之結果圖[28]	18
圖2.13經斷開運算後之結果圖[28]	19
圖2.14取出物件輪廓結果圖	20
圖2.15水平矩形包覆物件結果圖	21
圖2.16水平矩形包覆傾斜物件結果圖	21
圖2.17 旋轉邊界矩形包覆物件結果圖	22
圖2.18旋轉矩形原理示意圖	23
圖2.19旋轉矩形旋轉示意圖	23
圖2.20旋轉矩形進行跌倒偵測結果圖	24
圖2.21長寬比法判斷跌倒行為示意圖	24
圖3.1長寬比法誤判之假陽性結果圖	26
圖3.2排除靜態誤判之假陽性流程圖	27
圖3.3RGB前後景原始影像	28
圖3.4RGB轉HSV色彩模型H分量影像	28
圖3.5 RGB轉HSV色彩模型S分量影像	29
圖3.6RGB轉HSV色彩模型V分量影像	29
圖3.7背景相減結果圖	29
圖3.8修補二值破損圖像結果圖	30
圖3.9偵測移動之物件結果圖	30
圖3.10物件偵測流程圖	31
圖3.11旋轉矩形原理示意圖	32
圖3.12 矩形旋轉0-20度或160-180度為偵測跌倒行為最佳角度	33
圖3.13靜態跌倒偵測流程圖	33
圖3.14 靜態排除法解決矩形長寬比誤判之假陽性結果圖	34
圖3.15 排除動態誤判之假陽性流程圖	35
圖3.16 靜態誤判之假陽性排除法系統誤判圖	36
圖3.17 RGB轉HSV色彩模型V分量影像	37
圖3.18 背景相減結果圖	37
圖3.19 修補二值破損圖像結果圖	38
圖3.20 偵測移動之物件結果圖	38
圖3.21 物件追蹤流程圖	39
圖3.22 動態跌倒偵測流程圖	41
圖3.23 動態排除法解決靜態排除法所產生假陽性誤判結果圖	42
圖4.1 軟體方塊圖	43
圖4.2 硬體方塊圖	43
圖4.3 羅技網路攝影機C170	44
圖4.4 攝影機安裝的位置與臥室拍攝視角圖	44
圖4.5 客廳攝影機安裝位置與客廳所拍攝之視角圖	45
圖4.6 動態假陽性誤判次數統計圖	46
圖4.7 靜態假陽性誤判次數統計圖	47
圖4.8 模擬假陽性誤判圖	47
圖4.9人形娃娃支撐之骨架製作過程圖	48
圖4.10支撐骨架之完成人形娃娃站立圖	48
圖4.11 真人實境之假陽性誤判圖	49
圖4.12 人工合成假陽性誤判靜態影像	50
圖4.13 人形娃娃假陽性誤判靜態影像	50
圖4.14 客廳假陽性誤判靜態影像	51
圖4.15 臥室假陽性誤判靜態影像	51
圖4.16 動態跌倒行為次數統計圖	52
圖4.17 靜態跌倒行為次數統計圖	52
圖4.18跌倒行為之靜態影像	53
圖4.19 排除模擬假陽性誤判結果圖	54
圖4.20 排除真人實境之假陽性誤判圖	54
圖4.21 系統成功判為跌倒行為結果圖	55
圖4.22 動態排除法解決靜態排除法所產生假陽性誤判結果圖 55
圖4.23 動態排除法解決靜態排除法所產生假陽性誤判結果圖 56
圖4.24動態排除法解決靜態排除法所產生假陽性誤判結果圖 56
圖4.25動態跌倒偵測成功判斷跌倒結果圖	57

 
表目錄
表1.1中華民國老年人口統計表(單位:萬人，％)	1
表4.1排除靜態誤判之假陽性實驗數據表	54
表4.2排除動態誤判之假陽性實驗數據表	57

參考文獻
[1]台灣老化進入高齡社會：https://money.udn.com/money/story/5648/3079561.
[2]行政院主計總處，國情統計通報，2015.10.21。
[3]江欣怡，預防老人跌倒科學發展，2016.12。
[4]東周刊，長者跌倒養和醫療檔案，2016.05.11。
[5]S. Rihana and J. Mondalak, "Wearable fall detection system," 2016 3rd Middle East Conference on Biomedical Engineering (MECBME), Beirut, 2016, pp. 84-87.
[6]陳重亦，利用三軸加速度計設計與實現跌倒偵測，國立中正大學電機工程研究所碩士論文(指導教授:朱元三)，2013。
[7]D. Wu and Z. Wang, "Applying online feature selection for fall detection," 2016 IEEE International Conference on Imaging Systems and Techniques (IST), Chania, 2016, pp. 418-422.
[8]呂穹恩，使用無線穿戴式感測器之跌倒偵測系統，樹德科技大學資訊工程系(所)碩士論文(指導教授:吳鴻志)，2014。
[9]吳昕翰，內建加速度計與陀螺儀之腕戴型跌倒偵測系統實作，大同大學資訊工程研究所碩士論文(指導教授:謝尚琳)，2013。
[10]Y. P. Kuo, N. S. Pai, H. H. Hsieh and C. L. Kuo, "The application of CMAC-based fall detection in Omni-directional mobile robot," 2013 International Conference on Advanced Robotics and Intelligent Systems, Tainan, 2013, pp. 64-69.
[11]裴鴻達，以可穿戴式足部感測裝置實現動作感知跌倒偵測系統，國立成功大學工程科學系碩士論文(指導教授:黃悅民)，2013。
[12]T. N. Gia et al., "IoT-based fall detection system with energy efficient sensor nodes," 2016 IEEE Nordic Circuits and Systems Conference (NORCAS), Copenhagen, 2016, pp. 1-6.
[13]翁武湘，基於角度與加速度變化之跌倒偵測，國立東華大學資訊工程學系碩士論文(指導教授:羅壽之)，2015。
[14]邱俊賓，腕錶式跌倒偵測系統之開發研究，國立陽明大學醫學工程研究所碩士論文(指導教授:詹家泰)，2011。
[15]林卓彥，智慧型跌倒偵測系統，慈濟大學醫學資訊研究所碩士論文(指導教授:潘健一)，2009。
[16]A. Sorvala, E. Alasaarela, H. Sorvoja and R. Myllylä, "A two-threshold fall detection algorithm for reducing false alarms," 2012 6th International Symposium on Medical Information and Communication Technology (ISMICT), La Jolla, CA, 2012, pp. 1-4.
[17]S. Abbate, M. Avvenuti, G. Cola, P. Corsini, J. Light and A. Vecchio, "Recognition of false alarms in fall detection systems," 2011 IEEE Consumer Communications and Networking Conference (CCNC), Las Vegas, NV, 2011, pp. 23-28.
[18]陳衣柔，設計一個利用影像處理技術之跌倒偵測系統，國立高雄第一科技大學電子工程系碩士論文(指導教授:陳銘志)，2011。
[19]V. Vaidehi, K. Ganapathy, K. Mohan, A. Aldrin and K. Nirmal, "Video based automatic fall detection in indoor environment," 2011 International Conference on Recent Trends in Information Technology (ICRTIT), Chennai, Tamil Nadu, 2011, pp. 1016-1020.
[20]W. Quan and N. Kubota, "Fall down detection for surveillance system of health care," 2015 Conference on Technologies and Applications of Artificial Intelligence (TAAI), Tainan, 2015, pp. 232-236.
[21]C. Y. Lin, S. M. Wang, J. W. Hong, L. W. Kang and C. L. Huang, "Vision-Based Fall Detection through Shape Features," 2016 IEEE Second International Conference on Multimedia Big Data (BigMM), Taipei, 2016, pp. 237-240.
[22]S. C. Agrawal, R. K. Tripathi and A. S. Jalal, "Human-fall detection from an indoor video surveillance," 2017 International Conference on Computing, Communication and Networking Technologies (ICCCNT), Delhi, 2017, pp. 1-5.
[23]A. Amini, K. Banitsas and J. Cosmas, "A comparison between heuristic and machine learning techniques in fall detection using Kinect v2,"2016 IEEE International Symposium on Medical Measurements and Applications (MeMeA), Benevento, 2016, pp. 1-6.
[24]李松臻，可偵測跌倒之居家照護系統之實現，大葉大學資訊工程學系碩士論文(指導教授:程仲勝)，2011。
[25]A. Yajai, A. Rodtook, K. Chinnasarn and S. Rasmequan, "Fall detection using directional bounding box," 2015 International Joint Conference on Computer Science and Software Engineering (JCSSE), Songkhla, 2015, pp. 52-57.
[26]王安邦，老人照護之跌倒偵測系統，國立屏東科技大學資訊管理系碩士學位論文(指導教授:蔡玉娟)，2009。
[27]殷子翔，基於影像之跌倒偵測系統實作，朝陽科技大學資訊工程系專題成果報告(指導教授:鄭文昌)，2013。
[28]王偉存，利用影像之相關性及Cb值分佈資訊之導盲磚區域搜尋方法研究，中華大學電機工程學系碩士論文(指導教授:蘇建焜)，2012。
[29]彭彥鈞，一種使用HSV色彩模型之S資訊與灰階值分割及辨識彩色影像中導盲磚區域的方法，中華大學電機工程學系碩士論文(指導教授:蘇建焜)，2013。
[30]楊朝吉，基於影像掃描之即時單攝影機3D人體姿態估測，國立交通大學資訊科學與工程研究所碩士論文(指導教授:莊仁輝、彭文孝)，2009。
[31]物件輪廓抽取法：http://monkeycoding.com/?p=615.
[32]旋轉矩形計算角度工作原理：https://www.cnblogs.com/panxiaochun/p/5478555.html.