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 **ADL（Activities 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
联系方式
开源协议
本项目采用AGPL-3.0开源协议，允许个人和组织自由使用、修改和分发代码，但基于本项目的衍生作品必须同样开源，且用于提供网络服务时需向用户提供完整源代码。本项目仅供学习研究使用，作者不对使用本项目产生的任何后果承担责任，使用者应遵守当地法律法规，合理合法使用本项目。如本项目对您的研究或工作有所帮助，欢迎引用并注明出处。
评论(0)