| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 室内异常行为检测研究背景 | 第8-9页 |
| 1.1.1 抽烟行为检测研究背景 | 第8-9页 |
| 1.1.2 摔倒行为检测研究背景 | 第9页 |
| 1.2 室内异常行为检测研究进展 | 第9-13页 |
| 1.2.1 抽烟行为检测的技术进展 | 第9-12页 |
| 1.2.2 摔倒行为检测的技术进展 | 第12-13页 |
| 1.3 本文的创新点 | 第13页 |
| 1.4 本文主要工作和内容安排 | 第13-15页 |
| 第二章 关键帧图像提取及图像预处理 | 第15-24页 |
| 2.1 Kinect设备技术原理及相关理论 | 第15-19页 |
| 2.1.1 Kinect设备介绍 | 第15-16页 |
| 2.1.2 Kinect深度图像 | 第16-17页 |
| 2.1.3 Kinect骨骼跟踪 | 第17-19页 |
| 2.2 抽烟检测关键帧图像的确定 | 第19-20页 |
| 2.3 关键帧图像预处理 | 第20-24页 |
| 2.3.1 预处理目标 | 第20页 |
| 2.3.2 图像的平滑 | 第20-22页 |
| 2.3.3 手部区域图像截取 | 第22-24页 |
| 第三章 抽烟行为特征提取 | 第24-40页 |
| 3.1 抽烟行为的特征分析 | 第24-26页 |
| 3.1.1 烟雾特征 | 第24页 |
| 3.1.2 手势特征 | 第24-25页 |
| 3.1.3 肢体角度特征 | 第25-26页 |
| 3.2 HOG特征的计算 | 第26-34页 |
| 3.2.1 梯度算子的选定 | 第27-30页 |
| 3.2.2 HOG特征提取算法的实现过程 | 第30-34页 |
| 3.3 肢体角度特征的提取 | 第34-39页 |
| 3.3.1 肢体角度的选择 | 第34-35页 |
| 3.3.2 肢体角度的计算 | 第35-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 基于SVM（支持向量机）的抽烟行为识别 | 第40-49页 |
| 4.1 分类识别算法的选取 | 第40页 |
| 4.2 支持向量机介绍 | 第40-46页 |
| 4.2.1 最优分类超平面 | 第40-42页 |
| 4.2.2 线性支持向量机 | 第42-44页 |
| 4.2.3 非线性支持向量机 | 第44-45页 |
| 4.2.4 核函数 | 第45-46页 |
| 4.3 创建手势图像数据库 | 第46页 |
| 4.4 实验分析 | 第46-48页 |
| 4.4.1 实验平台 | 第46-47页 |
| 4.4.2 实验结果 | 第47-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第五章 基于Kinect的摔倒行为识别 | 第49-55页 |
| 5.1 引言 | 第49页 |
| 5.2 摔倒行为检测技术发展 | 第49页 |
| 5.3 基于人体高宽比性及关节点速度分布检测摔倒行为 | 第49-54页 |
| 5.3.1 人体高宽比的变化 | 第50-52页 |
| 5.3.2 关节点速度分布 | 第52-54页 |
| 5.4 实验分析 | 第54页 |
| 5.5 本章小结 | 第54-55页 |
| 第六章 总结与展望 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第59-60页 |
| 致谢 | 第60页 |