面向人体跌倒检测与日常行为识别的视频数据集

摘要用于视频人体跌倒检测的数据集A Dataset for Human Fall Detection in Videos。该数据集由 Ekram Alam 等人创建当前提供的版本为 2.1。该版本对原有 CSV 标注文件进行了调整使 CSV 文件除动作类别外还包含对应动作或事件的起始时间及相关时间信息更适合开展基于视频时序信息的人体跌倒检测研究。数据集概述GMDCSA24 是一个面向人体跌倒检测与日常行为识别的视频数据集主要用于研究计算机视觉环境下的非接触式跌倒检测方法。数据按照不同受试者Subject进行组织每位受试者的视频进一步划分为 **ADLActivities of Daily Living日常生活行为**与 **Fall跌倒行为**两大类别。从所提供的目录可以看出数据包含多名受试者以及大量 MP4 视频样本例如 Subject 1、Subject 2、Subject 3 和 Subject 4 均分别包含正常活动和跌倒活动视频可为跌倒与非跌倒二分类以及时序动作识别提供数据基础。数据结构与关键特征该数据集采用较清晰的层级目录结构基本形式为“Subject → ADL/Fall → MP4 视频 CSV 标注文件”。每名受试者具有独立的 ADL 与 Fall 文件夹其中包含编号形式的视频文件如 01.mp4、02.mp4 等并分别通过 ADL.csv 和 Fall.csv 保存相关标注信息。版本 2.1 的一个重要特点是 CSV 文件中增加了类别以及动作开始时间等时序信息因此不仅可以进行整段视频级别的分类还能够进一步开展基于时间区间的跌倒事件定位、动作阶段划分和时序状态分析。数据中不同受试者的视频数量存在一定差异也有利于测试模型面对个体动作差异时的泛化能力。应用价值与研究方向GMDCSA24 可应用于养老监护、独居老人安全监测、医院病房监控、智能家居和公共场所异常行为检测等研究场景。基于该数据集可以开展跌倒/非跌倒视频分类、人体姿态估计、骨架关键点分析、跌倒事件时序定位、多特征融合判定以及实时视频跌倒预警等研究。例如可结合 YOLO-Pose、MediaPipe Pose 等人体姿态模型提取关键点再计算人体倾斜角度、边界框宽高比、身体下降速度等特征并结合 LSTM、TCN、Transformer 或时序状态机提高连续视频中的跌倒判断可靠性。同时该数据集按受试者划分的结构也适合开展跨个体训练测试、泛化性能评估以及误报率与漏报率分析。数据集来源由张家梁(Bob)整理并于2026年在7zcode平台公开发布。数据集信息免责声明与引用数据仅用于科研与教学用途。若用于商业场景请自行核验数据许可。如需引用请在论文或报告中注明数据集名称与版本号。作者信息作者Bob (张家梁)项目编号Datasets-859文件大小1G原创声明本数据集为整理作品