面向智能移动监控辅助的可穿戴视觉研究
| 中文摘要 | 第1-5页 |
| 英文摘要 | 第5-11页 |
| 1 绪论 | 第11-37页 |
| ·课题的提出及意义 | 第11-13页 |
| ·可穿戴视觉概述 | 第13-24页 |
| ·可穿戴计算的发展 | 第13-18页 |
| ·可穿戴视觉的定义 | 第18-19页 |
| ·研究进展 | 第19-22页 |
| ·研究内容 | 第22-24页 |
| ·主要研究挑战 | 第24页 |
| ·智能移动监控概述 | 第24-31页 |
| ·视频监控的发展 | 第24-28页 |
| ·当前不足及改进思路 | 第28-30页 |
| ·可穿戴智能移动监控的提出 | 第30-31页 |
| ·本文主要工作 | 第31-37页 |
| ·研究内容与创新点 | 第31-33页 |
| ·研究主线 | 第33-34页 |
| ·论文结构 | 第34-37页 |
| 2 可穿戴人机协同视觉体系设计与实现 | 第37-69页 |
| ·引言 | 第37-38页 |
| ·人类视觉观察特性分析 | 第38-41页 |
| ·“一心不能二用” | 第38页 |
| ·“视而不见” | 第38-39页 |
| ·注视与眼动 | 第39-40页 |
| ·视错觉 | 第40页 |
| ·选择注意机制 | 第40-41页 |
| ·计算机视觉发展趋势与理论分析 | 第41-48页 |
| ·认知科学对计算机视觉的启示 | 第41-44页 |
| ·计算视觉理论模型 | 第44-46页 |
| ·基于目的的主动视觉理论模型 | 第46-47页 |
| ·基于知识的视觉理论模型 | 第47-48页 |
| ·可穿戴人机协同视觉体系WICVA 研究与实现 | 第48-65页 |
| ·基于可穿戴计算的人机集成智能理论 | 第49-52页 |
| ·面向智能移动监控辅助的上下文分类分析 | 第52-55页 |
| ·WICVA 的需求与设计目标 | 第55-57页 |
| ·WICVA 结构与关键模块设计 | 第57-60页 |
| ·动态辅助机制相关核心概念 | 第60-61页 |
| ·动态辅助调度算法 | 第61-63页 |
| ·动态辅助调度的仿真实验验证 | 第63-65页 |
| ·WICVA 的初步实现-iWearSA 平台 | 第65-67页 |
| ·iWearSA 平台简介 | 第65-66页 |
| ·监控任务 | 第66页 |
| ·系统特点 | 第66-67页 |
| ·小结 | 第67-69页 |
| 3 人视觉注意力驱动的兴趣场景及候选目标捕获 | 第69-97页 |
| ·引言 | 第69-70页 |
| ·与视觉注意相关的认知机制 | 第70-71页 |
| ·面向移动监控的人注意力状态检测与捕获策略设计 | 第71-72页 |
| ·主动注意状态 | 第71-72页 |
| ·被动注意状态 | 第72页 |
| ·人视觉注意力驱动的兴趣场景捕获 | 第72-83页 |
| ·算法描述 | 第73-74页 |
| ·基于分块特征的场景相似度计算 | 第74-78页 |
| ·关注行为的确认 | 第78-81页 |
| ·实验与分析 | 第81-83页 |
| ·人视觉关注行为下的运动目标检测 | 第83-95页 |
| ·问题的提出 | 第83-84页 |
| ·相关技术分析 | 第84-86页 |
| ·基于特征点匹配稳像原理 | 第86-87页 |
| ·基于Harris 分区特征点提取 | 第87-88页 |
| ·基于特征窗的特征点匹配 | 第88-90页 |
| ·全局运动补偿 | 第90-92页 |
| ·图像全景拼接 | 第92-94页 |
| ·候选运动目标区域标注 | 第94-95页 |
| ·实验结果及分析 | 第95页 |
| ·小结 | 第95-97页 |
| 4 基于图像质量评价优先度的择优处理 | 第97-119页 |
| ·引言 | 第97-98页 |
| ·穿戴采集图像分析与择优处理策略设计 | 第98-105页 |
| ·图像质量评价标准 | 第98-100页 |
| ·穿戴采集图像质量分析 | 第100-103页 |
| ·穿戴采集图像择优处理策略设计 | 第103-105页 |
| ·后验概率支持向量机的理论基础 | 第105-112页 |
| ·统计学习理论 | 第105-108页 |
| ·支持向量机 | 第108-111页 |
| ·基于后验概率SVM 不确定性分类 | 第111-112页 |
| ·基于PPSVM 的运动模糊图像分类研究 | 第112-117页 |
| ·分类特征选择 | 第113-116页 |
| ·核函数选择 | 第116-117页 |
| ·后验概率估计 | 第117页 |
| ·实验及结果分析 | 第117-118页 |
| ·小结 | 第118-119页 |
| 5 时变场景中兴趣目标快速检测与识别 | 第119-147页 |
| ·引言 | 第119-120页 |
| ·基于集群学习的目标检测研究与实现 | 第120-131页 |
| ·集群学习算法 | 第120-122页 |
| ·基于AdaBoost 级联分类器的目标检测 | 第122-124页 |
| ·目标检测在iWearSA 平台上的实现研究 | 第124-127页 |
| ·视频帧检测的关键过程 | 第127-129页 |
| ·室内复杂背景实验 | 第129-131页 |
| ·道路场景中多分辨率行人人脸实时提取 | 第131-137页 |
| ·问题的提出 | 第131-133页 |
| ·多分辨率正面人脸检测算法 | 第133-135页 |
| ·双层分类器实时人眼定位与修正 | 第135-136页 |
| ·室外复杂背景人脸检测实验 | 第136-137页 |
| ·基于人机协同识别的人脸追逃研究 | 第137-145页 |
| ·技术流程 | 第138页 |
| ·单训练样本的快速人脸识别 | 第138-140页 |
| ·变光照条件实验 | 第140-142页 |
| ·室内外现场实验 | 第142-145页 |
| ·小结 | 第145-147页 |
| 6 总结与展望 | 第147-149页 |
| ·本文工作总结 | 第147-148页 |
| ·下一步研究展望 | 第148-149页 |
| 致谢 | 第149-151页 |
| 参考文献 | 第151-161页 |
| 附录 | 第161-162页 |
| 附录 A 作者在攻读学位期间发表的论文目录 | 第161-162页 |
| 附录 B 作者在攻读学位期间参与科研项目 | 第162页 |
