| 致谢 | 第4-5页 |
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第10-18页 |
| 1.1 课题背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 行为动作识别研究现状 | 第11-14页 |
| 1.2.2 课堂场景智能分析系统研究现状 | 第14-15页 |
| 1.3 研究的重点和难点 | 第15-16页 |
| 1.4 研究内容及论文的结构安排 | 第16-18页 |
| 2 基于视频的运动目标检测 | 第18-36页 |
| 2.1 视频图像预处理 | 第18-23页 |
| 2.1.1 图像灰度转换 | 第18-19页 |
| 2.1.2 图像去噪 | 第19-20页 |
| 2.1.3 图像增强 | 第20-23页 |
| 2.2 常用运动目标检测算法 | 第23-29页 |
| 2.2.1 背景差分法 | 第23-24页 |
| 2.2.2 帧间差分法 | 第24-25页 |
| 2.2.3 码表法 | 第25-27页 |
| 2.2.4 混合高斯模型 | 第27-28页 |
| 2.2.5 Vibe法 | 第28-29页 |
| 2.3 基于FFmpeg编解码器的运动目标检测算法 | 第29-33页 |
| 2.3.1 H.264视频编解码信息 | 第30-31页 |
| 2.3.2 基于FFmpeg编解码器的运动目标检测流程 | 第31-33页 |
| 2.4 实验分析 | 第33-35页 |
| 2.5 本章小结 | 第35-36页 |
| 3 人体行为特征提取 | 第36-45页 |
| 3.1 常用行为识别特征 | 第36-42页 |
| 3.1.1 HOG特征 | 第36-38页 |
| 3.1.2 LBP特征 | 第38-39页 |
| 3.1.3 MEI和MHI特征 | 第39-40页 |
| 3.1.4 光流场 | 第40-42页 |
| 3.2 MHI-HOG联合特征 | 第42页 |
| 3.3 实验分析 | 第42-44页 |
| 3.4 本章小结 | 第44-45页 |
| 4 人体行为识别分类方法 | 第45-58页 |
| 4.1 常用行为识别分类方法 | 第45-53页 |
| 4.1.1 模板匹配法 | 第45-46页 |
| 4.1.2 神经网络 | 第46-50页 |
| 4.1.3 K近邻算法 | 第50-51页 |
| 4.1.4 支持向量机 | 第51-53页 |
| 4.2 BP神经网络-支持向量机联合分类识别算法 | 第53-54页 |
| 4.3 实验分析 | 第54-56页 |
| 4.4 本章小结 | 第56-58页 |
| 5 实验结果与分析 | 第58-66页 |
| 5.1 课堂行为智能图像识别分析系统介绍 | 第58-60页 |
| 5.1.1 硬件平台 | 第58-59页 |
| 5.1.2 软件平台 | 第59-60页 |
| 5.2 实验分析 | 第60-64页 |
| 5.3 本章小结 | 第64-66页 |
| 6 总结与展望 | 第66-69页 |
| 6.1 总结 | 第66-67页 |
| 6.2 展望 | 第67-69页 |
| 参考文献 | 第69-74页 |