1.一种基于多维特征融合的人员跌倒检测方法，其特征在于：利用红外阵列传感器进行数据的采集、之后进行数据的预处理以及干扰去除、使用滑窗算法与典型关联分析算法CCA相结合的思想进行特征的提取与融合、最后利用机器学习算法实现人员跌倒的准确识别；

包括以下步骤：

步骤(1)利用红外阵列传感器在其监测区域内进行温度数据采集，得到原始数据集；

步骤(2)对红外阵列传感器采集到的原始数据进行预处理；

步骤(3)将经过预处理的温度数据进行干扰去除；

步骤(4)计算经过干扰去除后数据的方差F，并与设定的方差阈值F0相比较；

步骤(5)运用滑窗算法与典型关联分析算法相结合的方法进行特征的提取与融合；

步骤(6)利用机器学习算法对提取到的特征数据进行识别，得到最终检验结果，即判定为“跌倒”还是“非跌倒”；

步骤(5)中在进行特征的提取与融合时，首先通过滑动窗口算法对去除干扰后的数据从速度大小V、质心的变化K、面积大小变化S以及方差变化F这四个维度进行特征提取；滑动窗口的大小设置为d×e，步长为f；使用典型关联分析算法CCA对得到的4个特征V、K、S、F进行两两融合，CCA将高维的两组数据分别降维到一维，然后用相关系数分析相关性；对于X和Y两个数据集进行投影运算，X为n1×m的样本矩阵，Y为n2×m的样本矩阵，其中m为样本个数，n1，n2分别为X和Y的特征维度；将X、Y分别投影到一维向量，记为X'、Y'，可表示为：T

X'＝aX

T

Y'＝bY

其中，a为X的投影向量，b为Y的投影向量，使用典型关联分析算法进行最大化X'和Y'的相关系数ρ(X',Y')，由此可以得到对应的投影向量a和b，如下式：通过CCA算法把V、K、S、F这四个特征依次进行两两融合就可以得到新的特征，分别表示为VK、VS、VF、KS、KF、SF，最后将这10个特征共同作为待识别的特征数据，提高分类效果。

2.根据权利要求1所述的一种基于多维特征融合的人员跌倒检测方法，其特征在于：所述的红外阵列传感器安装在房间的侧壁上。

3.根据权利要求1所述的一种基于多维特征融合的人员跌倒检测方法，其特征在于：步骤(2)对于原始数据中每一帧均为n×m的数值矩阵，数据采样频率为k帧/秒，首先去除掉每帧数据中的异常值和填补缺失值，然后，在保证数据准确的同时为了减少在后续特征提取中系统的复杂性以及计算时间，利用均值算法处理每秒钟的多帧数据，将得到的结果作为输出，如下式：式中， 表示红外阵列传感器第k帧的整体矩阵温度， 表示第k帧阵列中第i行第j列像素检测的温度，T表示均值输出的结果。

4.根据权利要求1所述的一种基于多维特征融合的人员跌倒检测方法，其特征在于：步骤(3)利用中值滤波算法对已经预处理的数据进行滤波处理，去除噪声；利用背景差分法分离目标与背景，去除环境中存在的热源干扰。

5.根据权利要求1所述的一种基于多维特征融合的人员跌倒检测方法，其特征在于：步骤(4)方差阈值F0根据经验性得到，若方差F‑F0＜0，则无需进行特征提取模块，可直接判定结果为“无人”；若方差F‑F0≥0，则进入下一步的特征提取模块。