| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 研究背景 | 第9-13页 |
| 1.1.1 安防监控技术的发展 | 第9页 |
| 1.1.2 视频图像监控技术在防盗监控中的应用 | 第9-11页 |
| 1.1.3 RGB-D设备的出现发展及其在安防监控方面的应用 | 第11-13页 |
| 1.2 研究意义 | 第13-14页 |
| 1.3 本文的创新点 | 第14页 |
| 1.4 本文的主要工作及内容安排 | 第14-16页 |
| 第二章 室内财产保护技术相关理论 | 第16-23页 |
| 2.1 引言 | 第16页 |
| 2.2 取走物检测相关技术理论 | 第16-17页 |
| 2.2.1 帧间差分法 | 第16-17页 |
| 2.2.2 背景减除法 | 第17页 |
| 2.3 携带物检测相关技术理论 | 第17-19页 |
| 2.3.1 研究背景及意义 | 第17-18页 |
| 2.3.2 研究现状 | 第18-19页 |
| 2.3.3 技术难点 | 第19页 |
| 2.4 Kinect图像获取原理及相关理论 | 第19-23页 |
| 2.4.1 Kinect硬件技术 | 第19-20页 |
| 2.4.2 Kinect景深图像 | 第20-21页 |
| 2.4.3 Kinect骨骼跟踪 | 第21-23页 |
| 第三章 基于RGB-D图像的取走物检测技术 | 第23-35页 |
| 3.1 引言 | 第23页 |
| 3.2 基于RGB-D图像的取走物检测流程图 | 第23-24页 |
| 3.3 高斯混合模型 | 第24-25页 |
| 3.4 深度图像处理 | 第25-27页 |
| 3.4.1 深度图像预处理 | 第25-26页 |
| 3.4.2 计算深度变化 | 第26-27页 |
| 3.4.3 膨胀 | 第27页 |
| 3.5 基于高斯混合模型和深度变化的取走物检测 | 第27-30页 |
| 3.5.1 模型建立 | 第27-28页 |
| 3.5.2 模型匹配 | 第28页 |
| 3.5.3 模型更新 | 第28-29页 |
| 3.5.4 连续帧去除突变噪声 | 第29-30页 |
| 3.5.5 孔洞填充 | 第30页 |
| 3.6 实验结果及分析 | 第30-34页 |
| 3.7 本章小结 | 第34-35页 |
| 第四章 基于RGB-D图像的携带物检测与嫌疑人锁定 | 第35-49页 |
| 4.1 引言 | 第35页 |
| 4.2 基于RGB-D图像的携带物检测及嫌疑人锁定流程 | 第35-36页 |
| 4.3 携带物检测 | 第36-39页 |
| 4.4 特征匹配 | 第39-40页 |
| 4.4.1 SIFT算法 | 第39页 |
| 4.4.2 SURF算法 | 第39-40页 |
| 4.4.3 Harris算法 | 第40页 |
| 4.4.4 匹配算法 | 第40页 |
| 4.5 实验结果及分析 | 第40-48页 |
| 4.5.1 特征检测和匹配算法的选取 | 第40-42页 |
| 4.5.2 携带物区域检测与嫌疑人锁定 | 第42-48页 |
| 4.6 本章小结 | 第48-49页 |
| 第五章 基于骨骼跟踪的身份鉴别技术研究 | 第49-59页 |
| 5.1 引言 | 第49页 |
| 5.2 身份鉴别技术的发展 | 第49页 |
| 5.3 用于智能视频监控的身份鉴别技术 | 第49-50页 |
| 5.4 骨骼特征识别 | 第50-58页 |
| 5.4.1 理论依据 | 第51页 |
| 5.4.2 骨骼数据获取 | 第51-52页 |
| 5.4.3 数据库建立 | 第52页 |
| 5.4.4 特征提取 | 第52-54页 |
| 5.4.5 特征匹配 | 第54-55页 |
| 5.4.6 实验结果及分析 | 第55-58页 |
| 5.5 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第63-64页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第64-65页 |
| 致谢 | 第65页 |
