基于监控视频的跌倒检测研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第9-13页 |
| 1.1 论文研究背景 | 第9页 |
| 1.2 技术研究现状 | 第9-11页 |
| 1.3 论文的主要研究内容 | 第11页 |
| 1.4 论文章节组织结构 | 第11-13页 |
| 2 基于视频监控的跌倒检测技术 | 第13-28页 |
| 2.1 视频监控技术 | 第13-14页 |
| 2.1.1 视频监控系统 | 第13页 |
| 2.1.2 视频监控应用 | 第13-14页 |
| 2.2 日间和夜间视力 | 第14-15页 |
| 2.3 跌倒检测视频监控系统的结构 | 第15页 |
| 2.4 人体检测 | 第15-16页 |
| 2.4.1 背景图像法 | 第15-16页 |
| 2.4.2 时差法 | 第16页 |
| 2.4.3 光流法 | 第16页 |
| 2.5 目标跟踪 | 第16-20页 |
| 2.5.1 跟踪工具 | 第16-18页 |
| 2.5.2 基于区域的跟踪方法 | 第18页 |
| 2.5.3 基于模型的跟踪方法 | 第18-19页 |
| 2.5.4 基于轮廓的跟踪方法 | 第19页 |
| 2.5.5 基于特征的跟踪方法 | 第19-20页 |
| 2.6 行为识别 | 第20-25页 |
| 2.6.1 静态识别 | 第20页 |
| 2.6.2 动态识别 | 第20-25页 |
| 2.6.3 跌倒识别 | 第25页 |
| 2.7 视频跌倒检测 | 第25-26页 |
| 2.7.1 单目跌倒检测系统 | 第25-26页 |
| 2.7.2 多摄像头跌倒检测系统 | 第26页 |
| 2.8 跌倒检测系统的设计 | 第26-27页 |
| 2.9 本章小结 | 第27-28页 |
| 3 基于视频监控的2D跌倒检测 | 第28-39页 |
| 3.1 倒系统特征分析及数据采集 | 第28-32页 |
| 3.1.1 跌倒系统分析 | 第28-29页 |
| 3.1.2 跌倒的特征 | 第29-30页 |
| 3.1.3 系统数据集 | 第30-32页 |
| 3.2 跌倒检测步骤 | 第32-38页 |
| 3.2.1 轮廓边缘点的提取 | 第33-34页 |
| 3.2.2 使用形状上下文进行匹配 | 第34-35页 |
| 3.2.3 形状分析 | 第35-36页 |
| 3.2.4 基于高斯混合模型的跌倒识别 | 第36-38页 |
| 3.3 本章小结 | 第38-39页 |
| 4 基于单目系统的3D头部信息恢复 | 第39-47页 |
| 4.1 基于2D图像的3D头部信息恢复 | 第39-41页 |
| 4.2 相机的几何建模 | 第41-44页 |
| 4.2.1 形成图像 | 第41-43页 |
| 4.2.2 纠正失真 | 第43-44页 |
| 4.3 校准相机 | 第44-45页 |
| 4.4 单个相机的3D信息 | 第45-46页 |
| 4.5 本章小结 | 第46-47页 |
| 5 基于3D头部椭球追踪的跌倒检测 | 第47-55页 |
| 5.1 3D头部跟踪 | 第47-48页 |
| 5.2 头部模型投影 | 第48-49页 |
| 5.2.1 内在参数 | 第48页 |
| 5.2.2 外部参数 | 第48页 |
| 5.2.3 椭球投影 | 第48-49页 |
| 5.3 基于粒子滤波器的3D头部跟踪 | 第49-53页 |
| 5.3.1 粒子过滤器 | 第49-50页 |
| 5.3.2 粒子权重 | 第50-51页 |
| 5.3.3 椭球校准 | 第51页 |
| 5.3.4 初始化 | 第51-52页 |
| 5.3.5 粒子滤波器的算法实现 | 第52页 |
| 5.3.6 跟踪 | 第52-53页 |
| 5.4 基于3D头部跟踪跌倒检测 | 第53-54页 |
| 5.5 本章小结 | 第54-55页 |
| 6 原型系统及运行分析 | 第55-65页 |
| 6.1 原型系统框架 | 第55-56页 |
| 6.2 基于2D图像的跌倒检测系统运行分析 | 第56-60页 |
| 6.3 所提跌倒特征与其他2D特征比较分析 | 第60-62页 |
| 6.4 基于3D头部跟踪的跌倒检测运行分析 | 第62-64页 |
| 6.5 本章小结 | 第64-65页 |
| 7 总结和展望 | 第65-67页 |
| 7.1 总结 | 第65页 |
| 7.2 展望 | 第65-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-72页 |
