融合深度学习特征的人体摔倒检测研究
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 课题研究背景和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 基于穿戴式设备的摔倒检测 | 第13-14页 |
| 1.2.2 基于外部传感器的摔倒检测 | 第14页 |
| 1.2.3 基于视频的摔倒检测 | 第14-16页 |
| 1.3 本文内容 | 第16-17页 |
| 1.4 本文结构 | 第17-18页 |
| 第二章 人体定位 | 第18-33页 |
| 2.1 前景检测的常用方法 | 第19-22页 |
| 2.1.1 帧差法 | 第19-20页 |
| 2.1.2 光流法 | 第20-21页 |
| 2.1.3 背景差分法 | 第21-22页 |
| 2.2 Vibe算法 | 第22-26页 |
| 2.3 基于Vibe算法的人体定位 | 第26-32页 |
| 2.3.1 Vibe算法前景检测 | 第26-27页 |
| 2.3.2 连通性分析 | 第27-28页 |
| 2.3.3 最小矩形框提取 | 第28-29页 |
| 2.3.4 实验分析 | 第29-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 融合深度学习特征的运动表示 | 第33-44页 |
| 3.1 深度学习方法 | 第33-35页 |
| 3.2 手工设计的特征 | 第35-40页 |
| 3.2.1 HOG特征 | 第35-37页 |
| 3.2.2 LBP特征 | 第37-40页 |
| 3.3 融合深度学习的特征表示 | 第40-43页 |
| 3.3.1 特征提取与融合 | 第40-41页 |
| 3.3.2 实验分析 | 第41-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 基于视频的人体摔倒检测 | 第44-58页 |
| 4.1 支持向量机 | 第44-48页 |
| 4.1.1 基本原理 | 第45-47页 |
| 4.1.2 多分类问题 | 第47-48页 |
| 4.1.3 核函数 | 第48页 |
| 4.2 人体摔倒检测模型 | 第48-50页 |
| 4.3 实验分析 | 第50-57页 |
| 4.3.1 数据准备 | 第50-51页 |
| 4.3.2 分类器的构建 | 第51-55页 |
| 4.3.3 单数据集测试 | 第55页 |
| 4.3.4 多数据集测试 | 第55-56页 |
| 4.3.5 与其它检测方法比较 | 第56-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第五章 基于PCANet和GBDT的运动人体检测 | 第58-72页 |
| 5.1 基于描述符的运动人体检测方法 | 第58-62页 |
| 5.1.1 人体描述符 | 第59-60页 |
| 5.1.2 描述符的构建 | 第60-62页 |
| 5.2 基于PCANet的描述符构建 | 第62-65页 |
| 5.3 迭代梯度提升树 | 第65-68页 |
| 5.3.1 决策树 | 第65-67页 |
| 5.3.2 梯度提升 | 第67-68页 |
| 5.4 基于PCANet和GBDT的人体检测 | 第68-71页 |
| 5.4.1 数据准备 | 第68页 |
| 5.4.2 参数选择 | 第68-70页 |
| 5.4.3 实验分析 | 第70-71页 |
| 5.5 本章小结 | 第71-72页 |
| 第六章 总结和展望 | 第72-74页 |
| 6.1 总结 | 第72-73页 |
| 6.2 展望 | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-81页 |
| 硕士期间所取得的科研成果 | 第81页 |
