This thesis deals with the research and evaluation of features to detect fallen people in a home environment with a mobile robot. About one third of people aged over 65 fall at least once a year. Half of the people can't manage to get up after the fall by own means. As lying on the floor for a long time can cause serious health risks, a reliable method to detect fallen people and to call for help is needed. Commercially available products provide only a limited solution. Robotic Assistance for the Elderly promises to have great potential in this field. Especially the depth data of a Kinect offers new possibilities for a reliable system that detects fallen people. The Kinect is a standard equipment of today's assistance robots. This thesis gives an overview on known approaches for fall detection, as for featurebased people and object detection in 3D-Data and analyses the ability of the presented approaches for the application examined in this thesis. A new approach to evaluate suitable features and to detect fallen people with a mobile robot is implemented. The individual components of the new approach are presented in details. Data recorded by using the Kinect of a mobile robot, is used to evaluate the developed approach. The eavaluation compares the detection rate of different machine learning techniques and features. The achieved results are presented and discussed. The evaluation shows, that a Histogram of Local Surface Normals in combination with a Support Vector Machine is suitable to detect fallen people in 3D-Data generated by a mobile robot. Finally, a summary on the results and suggestions for further research is given.
Zusammenfassung: Die vorliegende Arbeit befasst sich mit der Recherche und Evaluation von Features zur Detektion gestürzter Personen in häuslichen Umgebungen über eine mobile Roboterplattform. Etwa ein Drittel der Menschen über 65 Jahren stürzen mindestens einmal pro Jahr. Fast die Hälfte dieser Personen schafft es nach dem Sturz nicht, aus eigener Kraft wieder aufzustehen. Da eine lange Liegezeit zu ernsten Komplikationen führen kann, bedarf es einer zuverlässigen Methodik zur Erkennung gestürzter Personen, über die unverzüglich Hilfe angefordert werden kann. Die bisher kommerziell verfügbaren Produkte bieten jedoch nur bedingt eine Lösung. Großes Potential wird hier in der Service- und Assistenzrobotik gesehen. Vor allem die 3D-Daten der Tiefenkamera Kinect, mit der die meisten der aktuellen Serviceroboter ausgestattet sind, versprechen neue Möglichkeiten zur robusten Erkennung von Stürzen. Diese Arbeit gibt einen ausführlichen Überblick über bestehende Verfahren zur Sturzdetektion, sowie zur merkmalsbasierten Detektion von Personen und Objekten in 3D-Daten. Die vorgestellten Ansätze werden bezüglich ihrer Eignung für den in dieser Arbeit betrachteten Anwendungsfall bewertet. Auf Basis der Bewertungsergebnisse wird ein neuer Ansatz zur Evaluation geeigneter Features und zur Detektion gestürzter Personen über eine mobile Roboterplattform entwickelt. Die einzelnen Komponenten des neuen Ansatzes werden in der vorliegenden Arbeit ausführlich vorgestellt und die Details der Implementierung angesprochen. Mit der Kinect einer mobilen Roboterplattform selbst aufgenommenes Testmaterial dient der Evaluation des neu entwickelten Verfahrens. Im Rahmen der Evaluation wird die Detektionsleistung verschiedener maschineller Lerntechniken und Merkmale miteinander verglichen. Die Ergebnisse der Evaluation werden in der Arbeit ausführlich vorgestellt und diskutiert. Es zeigt sich, dass das Histogram of Local Surface Normals in Kombination mit einer Support Vector Machine sehr gut geeignet ist, gestürzte Personen in den 3D-Daten einer mobile Roboterplattform zu detektieren. Die Arbeit schließt mit einer Zusammenfassung der Ergebnisse und einem Ausblick für weiterführende Arbeiten.
Ilmenau, Techn. Univ., Masterarbeit, 2013