1. 目标检测数据集设计
现有的目标检测数据集如 ImageNet、VOC 和 COCO 通常是检测多个类别，对于人体的检测精度不高，容易漏检和误检。本文选取了 COCO 数据集作为基准数据集，使用 YOLOv5 算法进行目标检测时，对于跌倒或有遮挡的人体可能无法检测出。
站着的人可以被识别，但是倒地的人或者有遮挡的情况下有可能识别不出来，所以在原有的 COCO 数据集的基础上，需要添加额外的人体数据集再进行针对性训练。
选取了部分人体行为检测数据集和网络上符合复杂场景的图片，并使用LabelImg 进行标注，LabelImg 是一个可视化的图像标注工具，YOLO 所需要的数据集可以通过该软件进行标注。
利用该软件手工标注了 800 张复杂背景下的包含人体的图片，其中各种姿态的跌倒或躺地状态的人体图片有 200 张，存在遮挡的人体图片有 200 张，剩下的 400 张均为各种正常直立运动的图片，所有的图片均为多人场景。然后将图片和标注放到训练代码中进行训练，从而得到符合条件的测试权重。
2. 目标跟踪数据集设计
由于 Deep Sort 模型是针对行人进行目标跟踪的，对于非行人即跌倒或者躺下的人，会出现识别不了的情况，此时需要对 Deep Sort 进行再训练，使算法中的 ReID 模型学习到不同行为的人体特征，从而减少目标跟踪过程中因为对人体的检测丢失而导致的 ID Switch 现象。
本文的目标跟踪数据集的制作方法如下：首先使用目标检测器 YOLOv5 对跌倒视频中的某个人体进行检测框提取，然后将包含该人体的检测框提取出来保存为图片，对单个人体提取 30 张图片，这 30 张图片需要体现该人体的轨迹信息，然后将这些图片放缩到同样大小，保存为一个文件夹，依照该方法收集了 150个不相同的人体信息，保存为目标跟踪数据集。并使用该数据集训练 ReID 模型，从而获得理想的实验结果。
3. 复杂场景跌倒数据集设计
在跌倒检测领域，甚至在机器学习领域，数据集是模型训练、算法验证和性能提升的重要组成部分。由于跌倒发生的概率相对较低，日常生活中也较难获取相应的数据，因此长期以来基于跌倒的公开数据集较少，较为知名的有 Le2i 跌倒检测数据集、多摄像头跌倒数据集（MCFD）、UR 跌倒检测数据集（URFD），然而这些数据集中的跌倒行为大多是发生在简单场景，几乎没有复杂场景的跌倒数据集，因此为了验证跌倒模型的效果，需要采集复杂场景下的跌倒行为视频，组建一个新的数据集进行跌倒检测的研究。
新数据集需要包含以下几种行为：
（1）非跌倒行为，如站立、行走；
（2）类跌倒行为，如蹲下、坐下、躺下；
（3）跌倒行为，如向前跌倒、向后跌倒、侧方向跌倒； 与此同时，新数据集中的视频需要包含以下三种场景：
1、单人简单场景，主要来源于公开数据集，场景中只有一个人在行动，背景不发生变化的，无遮挡。
2、单人复杂场景，即视频中只有一个人，但是背景是实际场景，存在运动变化的背景，可能有遮挡。
3、多人复杂场景，视频中有多个人，对背景不作要求，可能有遮挡。
根据以上要求，通过混合公开数据集中的样本和网上的行为视频数据，并将视频统一裁剪和规格化为 6s， 640*480 分辨率，由此组建了新的数据集
部分视频可能包含多个动作，由于无法对每个视频中的行为进行精准地分割，因此本文对数据集中的视频进行了规则设定，具体规则如下：
（1）如果视频中只包含非跌倒行为，则以非跌倒行为进行分类
（2）如果视频中包含类跌倒行为和非跌倒行为，则以类跌倒进行分类
（3）如果视频中包含跌倒行为和非跌倒行为，则以跌倒行为进行分类
（4）如果视频中包含了非跌倒、类跌倒和跌倒行为，则以跌倒行为进行分类。
