基于视觉的人体行为识别
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 课题研究背景及意义 | 第9页 |
| 1.2 课题的国内外研究现状 | 第9-10页 |
| 1.3 研究的难点 | 第10-11页 |
| 1.4 本文研究主要内容 | 第11页 |
| 1.5 本文的基本工作及框架 | 第11-13页 |
| 第二章 基于视觉的人体行为识别的关键技术综述 | 第13-22页 |
| 2.1 概述 | 第13页 |
| 2.2 人体行为分析基本流程 | 第13-14页 |
| 2.3 运动目标检测 | 第14-16页 |
| 2.3.1 背景差分法 | 第14页 |
| 2.3.2 帧间差分法 | 第14-15页 |
| 2.3.3 光流法 | 第15页 |
| 2.3.4 阈值分割 | 第15-16页 |
| 2.4 运动目标特征提取 | 第16-19页 |
| 2.4.1 基于颜色特征 | 第16-17页 |
| 2.4.2 基于纹理特征 | 第17-18页 |
| 2.4.3 基于形状特征 | 第18页 |
| 2.4.4 基于融合特征 | 第18-19页 |
| 2.5 运动目标的分类识别 | 第19-21页 |
| 2.5.1 基于模板匹配算法 | 第19-20页 |
| 2.5.2 基于状态空间算法 | 第20-21页 |
| 2.5.3 基于神经网络 | 第21页 |
| 2.6 本章小结 | 第21-22页 |
| 第三章 人体行为目标检测 | 第22-27页 |
| 3.1 OTSU全局阈值的改进算法 | 第22-25页 |
| 3.2 背景差分法目标分割 | 第25-26页 |
| 3.3 本章小结 | 第26-27页 |
| 第四章 基于视觉的人体行为特征提取算法 | 第27-45页 |
| 4.1 算法概述 | 第27页 |
| 4.2 SIFT特征提取 | 第27-34页 |
| 4.3 HOG特征提取 | 第34-38页 |
| 4.4 PCA特征降维 | 第38-40页 |
| 4.5 傅里叶变换特征提取 | 第40-42页 |
| 4.6 光流法提取运动轨迹 | 第42-44页 |
| 4.7 特征融合 | 第44页 |
| 4.8 本章小结 | 第44-45页 |
| 第五章 人体行为识别 | 第45-55页 |
| 5.1 SVM概述 | 第45页 |
| 5.2 SVM的引入 | 第45-46页 |
| 5.3 SVM分类识别算法 | 第46-50页 |
| 5.3.1 线性可分问题 | 第46-48页 |
| 5.3.2 线性不可分 | 第48页 |
| 5.3.3 非线性 | 第48-49页 |
| 5.3.4 核函数的选择 | 第49-50页 |
| 5.3.5 SVM在人体行为识别中的应用 | 第50页 |
| 5.4 实验过程、结果及分析 | 第50-54页 |
| 5.4.1 实验准备与介绍 | 第50-52页 |
| 5.4.2 实验结果数据统计 | 第52-54页 |
| 5.5 本章小结 | 第54-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 6.1 论文总结及结果分析 | 第55页 |
| 6.2 研究工作展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 作者简介 | 第62-63页 |
| 攻读学位期间研究成果 | 第63页 |
