基于视频的室内老人摔倒检测研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 摔倒检测技术的发展综述 | 第11-14页 |
| 1.2.1 摔倒检测技术研究现状 | 第11-13页 |
| 1.2.2 基于视频的摔倒检测研究现状 | 第13-14页 |
| 1.3 本文的研究内容和组织结构 | 第14-17页 |
| 第二章 运动人体目标检测 | 第17-29页 |
| 2.1 概述 | 第17-18页 |
| 2.2 背景建模算法 | 第18-24页 |
| 2.2.1 常见的背景建模算法 | 第18-22页 |
| 2.2.2 改进的单高斯背景建模 | 第22-23页 |
| 2.2.3 算法改进后的前后效果对比 | 第23-24页 |
| 2.3 阴影和噪声处理 | 第24-28页 |
| 2.3.1 阴影产生和检测方法 | 第24-25页 |
| 2.3.2 基于改进的HSV色度空间阴影检测方法 | 第25-26页 |
| 2.3.3 形态学处理 | 第26-27页 |
| 2.3.4 实验结果与分析 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于颜色直方图匹配与卡尔曼滤波的目标跟踪 | 第29-39页 |
| 3.1 概述 | 第29页 |
| 3.2 常用目标跟踪方法 | 第29-30页 |
| 3.3 卡尔曼滤波算法 | 第30-33页 |
| 3.3.1 卡尔曼滤波原理 | 第30-32页 |
| 3.3.2 卡尔曼滤波实现运动目标跟踪 | 第32-33页 |
| 3.4 基于颜色直方图匹配与卡尔曼滤波的目标跟踪 | 第33-37页 |
| 3.4.1 颜色直方图提取 | 第33页 |
| 3.4.2 相似度匹配 | 第33-34页 |
| 3.4.3 目标跟踪算法详细实现 | 第34-37页 |
| 3.5 实验结果 | 第37-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第四章 基于多特征分析和SVM的摔倒检测 | 第39-56页 |
| 4.1 概述 | 第39页 |
| 4.2 特征选择和提取 | 第39-48页 |
| 4.2.1 摔倒行为分析 | 第40-41页 |
| 4.2.2 人体外形特征 | 第41-45页 |
| 4.2.3 人体运动特征 | 第45-46页 |
| 4.2.4 基于滑动窗口的特征提取 | 第46-48页 |
| 4.3 支持向量机分类 | 第48-51页 |
| 4.3.1 支持向量机原理 | 第48-51页 |
| 4.3.2 核函数 | 第51页 |
| 4.4 多特征和SVM分类摔倒检测 | 第51-55页 |
| 4.4.1 Le2i摔倒视频数据库 | 第52-53页 |
| 4.4.2 分类器样本训练 | 第53-54页 |
| 4.4.3 分类器测试结果与分析 | 第54-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 研究工作总结 | 第56-57页 |
| 5.2 未来展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 附录 作者在读期间发表的学术论文及参加的科研项目 | 第63-64页 |
| 硕士学位论文详细摘要 | 第64-66页 |
