| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-15页 |
| 1.1 选题背景和研究意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 海思平台的研究和应用现状 | 第9-10页 |
| 1.2.2 人体行为识别研究和应用现状 | 第10-11页 |
| 1.3 基于海思平台的人体行为识别技术研究的难点 | 第11-12页 |
| 1.4 本文的主要研究内容 | 第12-15页 |
| 2 运动人体前景检测技术研究 | 第15-23页 |
| 2.1 基于帧间差分法的前景提取研究 | 第15-17页 |
| 2.1.1 两帧差分法 | 第16页 |
| 2.1.2 三帧差分法 | 第16-17页 |
| 2.2 基于背景差分法的前景提取研究 | 第17页 |
| 2.3 运动人体前景预处理 | 第17-21页 |
| 2.3.1 图像的腐蚀和膨胀 | 第18-20页 |
| 2.3.2 开运算和闭运算 | 第20-21页 |
| 2.4 本文采用的前景提取算法 | 第21-22页 |
| 2.5 本章小结 | 第22-23页 |
| 3 特征提取与行为识别研究 | 第23-33页 |
| 3.1 概述 | 第23-24页 |
| 3.2 动作能量图 | 第24-25页 |
| 3.3 基于Hu不变矩的特征提取 | 第25-27页 |
| 3.3.1 Hu不变矩 | 第25-26页 |
| 3.3.2 基于MEI的Hu矩特征提取 | 第26-27页 |
| 3.4 基于傅里叶描述子的特征提取 | 第27-31页 |
| 3.4.1 傅里叶描述子概述 | 第27-28页 |
| 3.4.2 傅里叶描述子的不变性 | 第28-29页 |
| 3.4.3 基于MEI的傅里叶描述子提取 | 第29-31页 |
| 3.5 朴素贝叶斯分类器 | 第31页 |
| 3.6 本章小结 | 第31-33页 |
| 4 基于海思平台的智能监控实现 | 第33-42页 |
| 4.1 海思平台简介 | 第33-36页 |
| 4.1.1 海思Hi3531芯片 | 第33-34页 |
| 4.1.2 海思媒体处理软件平台 | 第34-36页 |
| 4.2 HisiliconLinux开发环境的建立 | 第36-38页 |
| 4.2.1 交叉编译环境的建立 | 第36-37页 |
| 4.2.2 NFS网络文件系统的建立 | 第37-38页 |
| 4.3 智能监控系统实现 | 第38-41页 |
| 4.3.1 视频的采集 | 第39-40页 |
| 4.3.2 人体摔倒识别及报警 | 第40-41页 |
| 4.4 本章小结 | 第41-42页 |
| 5 实验结果与分析 | 第42-47页 |
| 5.1 实验开发环境 | 第42页 |
| 5.2 样本视频集 | 第42-43页 |
| 5.3 实验及结果分析 | 第43-46页 |
| 5.3.1 基于OpenCV库的计算机端仿真 | 第44-45页 |
| 5.3.2 基于Hi3531的板级仿真 | 第45-46页 |
| 5.4 本章小结 | 第46-47页 |
| 6 总结与展望 | 第47-49页 |
| 6.1 全文总结 | 第47页 |
| 6.2 未来展望 | 第47-49页 |
| 致谢 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 攻读硕士学位期间学术成果 | 第53页 |