摘要
由于健康问题、暴力行为或意外事故导致的跌倒事件检测是一项关键挑战。因此，对这类异常事件的检测在诸多应用场景中具有至关重要的意义，包括但不限于闭路电视（CCTV）监控、安防系统以及医疗健康监护。鉴于许多检测系统依赖于在多种环境和不同情境下采集的全面数据集，此类数据集的构建至关重要。然而，现有数据集大多仅涵盖特定环境条件，缺乏足够的多样性与代表性。为应对上述挑战，并助力研究人员开发更具鲁棒性的跌倒检测系统，我们在韩国政府的支持下，构建了一个全新的大规模跌倒事件检测数据集——基于视觉的跌倒人员数据集（Vision-based Fallen Person Dataset, VFP290K）。该数据集包含从178段视频中提取的294,713帧跌倒人员图像，覆盖49个不同地点的131个真实场景，具有高度的环境多样性和情境复杂性。我们通过大量实验，对基于目标检测模型的特征有效性进行了实证分析，验证了所提特征在性能提升方面的显著作用。此外，我们还通过合理划分数据集的不同版本，评估了VFP290K在跌倒检测系统性能上的表现。在2020年韩国人工智能大奖赛（AI Grand Challenge 2020）的异常行为识别赛道第一轮比赛中，我们凭借该数据集荣获第一名，相关成果可在此处查阅。该成绩充分证明了VFP290K数据集在跌倒检测研究中的实用价值，其应用潜力亦可延伸至智能CCTV系统、远程健康监护等更广泛的领域。目前，数据集及相关最新信息已发布于我们的VFP290K官方网站，供学术界与工业界研究者下载与使用。