| 摘要 | 第3-5页 |
| Abstract | 第5-7页 |
| 第一章 绪论 | 第11-20页 |
| 1.1 课题的研究背景及意义 | 第11页 |
| 1.2 国内外研究现状及发展趋势 | 第11-17页 |
| 1.2.1 国内外研究现状 | 第11-13页 |
| 1.2.2 难点与发展趋势 | 第13-17页 |
| 1.3 本论文主要研究工作 | 第17-18页 |
| 1.4 论文的体系结构 | 第18-20页 |
| 第二章 人体的运动检测 | 第20-30页 |
| 2.1 图像的预处理 | 第20-21页 |
| 2.2 图像的背景建模 | 第21-25页 |
| 2.2.1 背景建模的主要方法 | 第21页 |
| 2.2.2 混合高斯背景建模 | 第21-24页 |
| 2.2.3 实验过程及结果 | 第24-25页 |
| 2.3 阴影的抑制与消除 | 第25-27页 |
| 2.3.1 HSV颜色模型简介 | 第25-26页 |
| 2.3.2 阴影的消除 | 第26-27页 |
| 2.4 形态学处理 | 第27页 |
| 2.5 实验结果与分析 | 第27-29页 |
| 2.6 本章小结 | 第29-30页 |
| 第三章 人体的运动跟踪 | 第30-41页 |
| 3.1 目标跟踪技术框架 | 第30页 |
| 3.2 目标追踪的主要应用场景 | 第30-31页 |
| 3.2.1 静态背景下的目标跟踪方法 | 第30-31页 |
| 3.2.2 动态背景下的目标跟踪 | 第31页 |
| 3.3 Meanshift的基本理论 | 第31-40页 |
| 3.3.1 Meanshift的基本原理 | 第31-33页 |
| 3.3.2 Meanshift算法应用目标跟踪的思路 | 第33页 |
| 3.3.3 Meanshift算法在视频跟踪中的流程与相关步骤 | 第33-35页 |
| 3.3.4 实验结果及分析 | 第35-40页 |
| 3.3.5 Meanshift算法的优势与劣势 | 第40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 关键点的梯度特征在行为识别中的应用 | 第41-51页 |
| 4.1 关键点梯度特征 | 第41-42页 |
| 4.1.1 关键点 | 第41页 |
| 4.1.2 关键点梯度特征的量化 | 第41-42页 |
| 4.2 关键点梯度特征在行为识别中的应用 | 第42-45页 |
| 4.2.1 关键点的提取 | 第42-44页 |
| 4.2.2 梯度特征的形成 | 第44-45页 |
| 4.3 多类人体行为动作的识别 | 第45-49页 |
| 4.3.1 支持向量机算法 | 第45-47页 |
| 4.3.2 实验结果及其分析 | 第47-49页 |
| 4.4 关键点梯度特征与轮廓特征的对比 | 第49-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第五章 多特征融合在行为识别中的应用 | 第51-66页 |
| 5.1 行为识别的模式 | 第51页 |
| 5.2 多特征融合 | 第51-57页 |
| 5.2.1 基于运动区域的特征提取 | 第51-53页 |
| 5.2.2 基于人体轮廓的特征提取 | 第53-55页 |
| 5.2.3 区域特征与轮廓特征的融合 | 第55-57页 |
| 5.3 实验结果及分析 | 第57-59页 |
| 5.4 多特征融合与单特征行为识别的对比 | 第59页 |
| 5.5 关键点梯度特征与多特征融合行为识别的对比 | 第59-65页 |
| 5.6 本章小结 | 第65-66页 |
| 第六章 总结与展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-72页 |