omnifall

OmniFall是一个统一的基准，用于从舞台到野外的跌倒检测。它将八个公共室内跌倒数据集统一在一个一致的十类标注方案下，并补充了从OOPS数据集中捕获的真实事故的OOPS-Fall基准。

OmniFall is a unified benchmark for fall detection spanning from staged environments to real-world outdoor fields. It integrates eight public indoor fall datasets under a consistent ten-category annotation scheme, and also incorporates the OOPS-Fall benchmark, which comprises real fall accidents captured from the OOPS dataset.

原始信息汇总

OmniFall数据集概述

基本信息

• 许可证: CC BY-NC-SA 4.0
• 任务类别: 视频分类
• 语言: 英语
• 标签: 医学
• 数据集名称: OmniFall: A Unified Benchmark for Staged-to-Wild Fall Detection
• 数据规模: 10K<n<100K

数据集内容

• 包含数据集:
  1. CMDFall (7小时7分钟)
  2. UP Fall (4小时35分钟)
  3. Le2i (47分钟)
  4. GMDCSA24 (21分钟)
  5. CAUCAFall (16分钟)
  6. OCCU (14分钟)
  7. EDF (13分钟)
  8. MCFD (12分钟)
  9. OOPS-Fall (真实世界跌倒事故视频)

数据结构

• 标签格式:

  path,label,start,end,subject,cam,dataset

  • label类别:
    • 0: walk
    • 1: fall
    • 2: fallen
    • 3: sit_down
    • 4: sitting
    • 5: lie_down
    • 6: lying
    • 7: stand_up
    • 8: standing
    • 9: other

• 配置:

  • labels: 所有视频的标签
  • cv: 跨视图分割配置
  • cs: 跨主题分割配置
  • cs-staged: 仅限实验数据集
  • cv-staged: 仅限实验数据集
  • cs-staged-wild: 实验数据集训练验证，OOPS-Fall测试
  • cv-staged-wild: 实验数据集训练验证，OOPS-Fall测试
  • 单个数据集配置: OOPS, caucafall, cmdfall, edf, gmdcsa24, le2i, mcfd, occu, up_fall

评估协议

• 基础配置:
  • default
  • cs
  • cv
• 多数据集评估协议:
  • cs-staged
  • cv-staged
  • cs-staged-wild
  • cv-staged-wild

引用

bibtex @inproceedings{omnifall2025, title={OmniFall: A Unified Staged-to-Wild Benchmark for Human Fall Detection}, author={}, booktitle={}, year={2025}, }

许可证

• 注释和分割定义使用Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International License

搜集汇总

数据集介绍

构建方式

OmniFall数据集通过整合八个公开的室内跌倒检测数据集，构建了一个统一的十类标注体系。该数据集采用跨主体（cross-subject）和跨视角（cross-view）的划分策略，确保训练集、验证集和测试集在主体或视角上互不重叠。特别值得注意的是，数据集还包含了来自OOPS-Fall的真实世界跌倒视频，为从实验室环境到真实场景的泛化能力评估提供了重要基准。标注文件采用CSV格式，详细记录了视频路径、类别标签、时间戳、主体ID和摄像头ID等关键信息。

特点

OmniFall数据集最显著的特点是其精细的十类动作分类体系，不仅区分瞬时动作（如跌倒、坐下），还包含静态状态（如跌倒后、坐姿）。数据集涵盖14小时以上视频、112名受试者和31个摄像头视角，具有丰富的多样性。特别设计的跨数据集评估协议（如cs-staged-wild）允许研究者在实验室数据上训练，在真实场景数据上测试，这对推动跌倒检测算法的实用化具有重要意义。

使用方法

使用OmniFall数据集时，可通过HuggingFace平台直接加载不同配置。基础配置包括全量标签数据（labels）和标准划分（cs/cv），进阶配置支持多数据集组合评估（如cs-staged-wild）。典型工作流程包括：加载标签数据与划分文件，通过路径字段进行关联，最终形成包含视频片段及其标注的训练/验证/测试集。数据集提供Python示例代码，演示如何将标签与划分文件结合，并统计各子集样本分布情况。

背景与挑战

背景概述

OmniFall数据集由德国卡尔斯鲁厄理工学院（KIT）的研究团队于2025年推出，旨在解决跌倒检测领域的关键挑战。该数据集整合了八个公开的室内跌倒检测数据集，并引入了真实场景下的OOPS-Fall数据，形成了一个统一的十类标注体系。跌倒作为全球老年人致命伤害的首要原因，其检测技术的研究具有重要的社会意义。OmniFall通过区分瞬时动作（如跌倒、坐下）与静态结果（如跌倒后、坐姿），为跌倒检测算法提供了更精细的评估基准。该数据集包含14小时以上的视频数据，涵盖112名受试者和31个摄像机视角，显著推动了从实验室环境到真实场景的泛化研究。

当前挑战

OmniFall面临的挑战主要体现在两个方面：领域问题方面，跌倒检测需克服真实场景中光照变化、遮挡、多样化的跌倒姿势等复杂因素，而现有算法在实验室环境下的高精度往往难以迁移到真实场景；数据构建方面，整合多个异构数据集需要解决标注标准不统一、视频格式差异、时空对齐等技术难题，同时保持数据隐私与伦理合规性。特别值得注意的是，如何平衡实验室环境下的受控数据与真实场景中的意外跌倒数据，成为评估模型泛化能力的关键挑战。

常用场景

经典使用场景

在医疗健康监测领域，OmniFall数据集通过整合多个公开的室内跌倒检测数据集，为研究者提供了一个统一的十类标注方案。该数据集广泛应用于视频分类任务，特别是在区分瞬时动作（如跌倒、坐下、躺下）与静态结果（如跌倒后状态、坐姿、躺姿）方面表现出色。其多视角、多主题的特性使得在实验室环境下训练的模型能够更全面地捕捉跌倒行为的多样性。

解决学术问题

OmniFall数据集解决了跌倒检测研究中三个关键问题：缺乏统一的分类标准、数据集分散以及真实场景下的泛化能力不足。通过提供标准化的十类标注方案，研究者能够更精确地识别跌倒及其后续状态。此外，数据集包含的真实意外跌倒视频（OOPS-Fall）为模型在非受控环境下的性能评估提供了可靠基准，显著推动了跌倒检测算法从实验室到实际应用的过渡。

衍生相关工作

围绕OmniFall数据集，研究者已展开多项经典工作，包括基于多视角融合的跌倒识别算法、跨数据集迁移学习框架，以及针对真实场景的域适应方法。这些工作不仅验证了数据集的科研价值，还推动了计算机视觉在医疗监测领域的应用边界。部分成果进一步优化了数据标注体系，为后续研究提供了更丰富的基准工具。