| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-20页 |
| 1.1 研究的背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-17页 |
| 1.2.1 人体运动区域检测研究现状 | 第10-14页 |
| 1.2.2 人体行为检测研究现状 | 第14-17页 |
| 1.3 研究思路和技术路线 | 第17-18页 |
| 1.4 论文主要研究内容和组织结构 | 第18-20页 |
| 第2章 矿井视频中人体运动区域检测 | 第20-43页 |
| 2.1 人体运动区域检测 | 第20-26页 |
| 2.1.1 人体运动区域检测方法概述 | 第20-23页 |
| 2.1.2 人体运动区域检测技术路线 | 第23-26页 |
| 2.2 基于时间差分法的人体运动区域提取 | 第26-27页 |
| 2.2.1 二值图像的模板连接处理 | 第26-27页 |
| 2.2.2 连通区域提取 | 第27页 |
| 2.3 基于Adaboost算法的分类器构造 | 第27-37页 |
| 2.3.1 样本集的构造和预处理 | 第27-29页 |
| 2.3.2 图像的Haar特征提取方法研究 | 第29-32页 |
| 2.3.3 基于Haar特征的Adaboost训练方法研究 | 第32-37页 |
| 2.4 基于Adaboost算法和时间差分法的人体运动区域提取 | 第37-39页 |
| 2.5 实验分析 | 第39-41页 |
| 2.5.1 实验工具和环境 | 第39页 |
| 2.5.2 实验结果与分析 | 第39-41页 |
| 2.6 本章小结 | 第41-43页 |
| 第3章 矿井视频中人体行为特征提取方法 | 第43-53页 |
| 3.1 时空兴趣点提取 | 第44-48页 |
| 3.1.1 空间域Harris角点检测 | 第44-46页 |
| 3.1.2 时空域Harris3D特征点检测 | 第46-48页 |
| 3.2 兴趣点HOG/HOF特征提取 | 第48-50页 |
| 3.2.1 HOG和HOF特征提取算法研究 | 第48-49页 |
| 3.2.2 HOG/HOF特征提取 | 第49-50页 |
| 3.3 实验分析 | 第50-52页 |
| 3.4 本章小结 | 第52-53页 |
| 第4章 矿井视频中人体行为检测及语义表示 | 第53-67页 |
| 4.1 基于K均值聚类算法的视觉词典的建立 | 第54-59页 |
| 4.1.1 词袋模型和分块理论 | 第54-56页 |
| 4.1.2 基于K均值聚类算法的视觉词典的建立 | 第56-59页 |
| 4.2 基于SVM分类器的人体行为分类 | 第59-62页 |
| 4.2.1 支持向量机 | 第59-60页 |
| 4.2.2 多类支持向量机 | 第60-61页 |
| 4.2.3 多类支持向量机的训练和分类 | 第61-62页 |
| 4.3 视频语义的RDF表示 | 第62-64页 |
| 4.3.1 RDF简介 | 第62-63页 |
| 4.3.2 语义的RDF存储和应用 | 第63-64页 |
| 4.4 实验分析 | 第64-66页 |
| 4.4.1 特征袋大小的选取 | 第64-65页 |
| 4.4.2 人体行为分类方法比较 | 第65-66页 |
| 4.5 本章小结 | 第66-67页 |
| 第5章 总结与展望 | 第67-69页 |
| 5.1 论文工作总结 | 第67页 |
| 5.2 未来工作展望 | 第67-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-73页 |