为了加强对老年人的监护、降低跌倒带来的安全风险，提出了一种新的基于Res2Net-YOLACT和融合特征的室内跌倒检测算法。首先，通过融入Res2Net模块的YOLACT网络来提取视频图像序列中的人体轮廓；然后，利用两级判断的方法做出跌倒决策，其中一级判别通过运动速度特征粗略判断是否发生异常状态，二级通过融合人体形状特征和深度特征的模型结构对人体姿势进行判别；最后，当检测出跌倒且发生时间大于阈值时，发出跌倒报警。实验结果表明，该跌倒检测算法可以在复杂的场景下很好地提取到人体轮廓，对光照的鲁棒性较好，并且检测速度可达每秒28帧，能满足实时检测要求。此外，融入手工特征后的算法分类性能表现更优，分类准确率达98.65%，比卷积神经网络（CNN）特征算法提升了1.03个百分点。
