| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 第一章 绪论 | 第8-20页 |
| ·研究背景及意义 | 第8-10页 |
| ·主要应用领域 | 第10-11页 |
| ·人体运动分析的基本方法 | 第11-17页 |
| ·本文的主要研究内容 | 第17-19页 |
| ·章节安排 | 第19-20页 |
| 第二章 运动人体检测 | 第20-27页 |
| ·概述 | 第20-22页 |
| ·自适应背景相减提取运动区域 | 第22-24页 |
| ·初始化背景模型 | 第22-23页 |
| ·前景区域提取 | 第23页 |
| ·背景模型更新 | 第23-24页 |
| ·阴影消除 | 第24页 |
| ·实验 | 第24-26页 |
| ·小结 | 第26-27页 |
| 第三章 人体运动跟踪 | 第27-46页 |
| ·概述 | 第27-28页 |
| ·粒子滤波器 | 第28-33页 |
| ·贝叶斯滤波原理 | 第29-31页 |
| ·粒子滤波器 | 第31-33页 |
| ·Mean Shift 算法 | 第33-37页 |
| ·Mean Shift 技术框架 | 第34-35页 |
| ·基于 Mean Shift 的跟踪 | 第35-37页 |
| ·基于 Mean Shift 算法和多特征粒子滤波器的跟踪 | 第37-42页 |
| ·系统模型 | 第39-40页 |
| ·观测模型(特征) | 第40-42页 |
| ·基于 Mean Shift 算法和多特征粒子滤波器的人体运动跟踪 | 第42页 |
| ·实验 | 第42-45页 |
| ·小结 | 第45-46页 |
| 第四章 运动的特征提取 | 第46-57页 |
| ·概述 | 第46-47页 |
| ·运动历史图像和特征图像 | 第47-49页 |
| ·运动历史图像 | 第47-48页 |
| ·特征图像 | 第48-49页 |
| ·基于 PCA 的特征提取 | 第49-52页 |
| ·主成分分析 | 第49-51页 |
| ·基于 PCA 的特征提取 | 第51-52页 |
| ·复合运动特征 | 第52-54页 |
| ·人体轮廓高宽比特征 | 第52-53页 |
| ·速度特征 | 第53-54页 |
| ·基于人体轮廓高宽比、速度、MHI 和特征图像的复合特征 | 第54页 |
| ·实验 | 第54-56页 |
| ·小结 | 第56-57页 |
| 第五章 人体运动识别 | 第57-66页 |
| ·概述 | 第57页 |
| ·模糊 C 均值聚类(FCM) | 第57-59页 |
| ·标准 FCM | 第58-59页 |
| ·自适应初始聚类中心选择 FCM | 第59页 |
| ·从聚类到分类 | 第59-63页 |
| ·LVQ 网络模型 | 第60页 |
| ·LVQ 网络学习规则 | 第60-62页 |
| ·基于 FCM 和 LVQ 的自适应分类 | 第62-63页 |
| ·实验 | 第63-65页 |
| ·小结 | 第65-66页 |
| 第六章 结论与展望 | 第66-68页 |
| ·本文工作总结 | 第66-67页 |
| ·未来工作的展望 | 第67-68页 |
| 参考文献 | 第68-74页 |
| 致谢 | 第74-75页 |
| 攻读学位期间的主要研究成果 | 第75页 |
