基于移动轨迹分析的大鼠行为识别研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第14-19页 |
| 1.1 研究背景与意义 | 第14-15页 |
| 1.2 大鼠机器人行为分析的挑战 | 第15-16页 |
| 1.3 本文的研究目标与贡献 | 第16-19页 |
| 第2章 背景建模与前景检测 | 第19-31页 |
| 2.1 背景建模概述 | 第19-20页 |
| 2.2 朴素背景差分法 | 第20-21页 |
| 2.2.1 概述 | 第20页 |
| 2.2.2 算法流程 | 第20-21页 |
| 2.2.3 算法分析 | 第21页 |
| 2.3 混合高斯背景模型 | 第21-25页 |
| 2.3.1 单高斯模型 | 第22页 |
| 2.3.2 混合高斯背景模型 | 第22-24页 |
| 2.3.3 算法步骤 | 第24-25页 |
| 2.3.4 实验效果 | 第25页 |
| 2.4 VIBE背景建模算法 | 第25-29页 |
| 2.4.1 背景差分方法的思考 | 第25-26页 |
| 2.4.2 ViBe算法 | 第26-29页 |
| 2.5 本章小结 | 第29-31页 |
| 第3章 移动轨迹提取与去噪 | 第31-43页 |
| 3.1 移动对象轨迹概述 | 第31-32页 |
| 3.2 轨迹数据提取 | 第32-33页 |
| 3.3 卡尔曼滤波 | 第33-35页 |
| 3.3.1 卡尔曼滤波基本思想 | 第33-34页 |
| 3.3.2 卡尔曼滤波的不足 | 第34-35页 |
| 3.4 基于模拟退火的运动轨迹去噪算法 | 第35-41页 |
| 3.4.1 广义费马点 | 第35页 |
| 3.4.2 广义费马点的求解 | 第35-38页 |
| 3.4.3 基于模拟退火的轨迹去噪算法 | 第38-39页 |
| 3.4.4 实验结果 | 第39-41页 |
| 3.5 本章小结 | 第41-43页 |
| 第4章 基于马尔可夫链的轨迹行为识别 | 第43-59页 |
| 4.1 实验标注数据库 | 第43-45页 |
| 4.2 马尔可夫链 | 第45-47页 |
| 4.3 基于移动轨迹的自适应地图分块 | 第47-51页 |
| 4.3.1 人工分块 | 第48-49页 |
| 4.3.2 自适应分块 | 第49-51页 |
| 4.4 基于马尔可夫链的行为识别算法 | 第51-58页 |
| 4.4.1 分类问题综述 | 第52页 |
| 4.4.2 贝叶斯定理 | 第52-53页 |
| 4.4.3 朴素贝叶斯分类原理 | 第53-54页 |
| 4.4.4 马尔可夫链行为分类实验 | 第54-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第5章 几何特征与马尔可夫链相结合的行为识别 | 第59-74页 |
| 5.1 轨迹曲率特征 | 第59-62页 |
| 5.1.1 空间曲线与曲率 | 第59-60页 |
| 5.1.2 移动轨迹的曲率 | 第60-62页 |
| 5.2 基于轨迹曲率特征的行为分类 | 第62-67页 |
| 5.2.1 支持向量机原理简介 | 第62-64页 |
| 5.2.2 曲率特征与概率方法结合的行为识别 | 第64-67页 |
| 5.3 实验对比与推广 | 第67-70页 |
| 5.3.1 与其它实验方法的对比 | 第67-68页 |
| 5.3.2 算法推广 | 第68-70页 |
| 5.4 基于移动对象轨迹的行为识别算法流程总结 | 第70-72页 |
| 5.5 本章小结 | 第72-74页 |
| 第6章 总结与展望 | 第74-77页 |
| 6.1 本文总结 | 第74-75页 |
| 6.2 展望 | 第75-77页 |
| 参考文献 | 第77-80页 |
| 攻读硕士学位期间主要的研究成果 | 第80-81页 |
| 致谢 | 第81页 |
