| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 课题的研究背景和意义 | 第8-9页 |
| 1.2 国内外研究现状和发展趋势 | 第9-10页 |
| 1.3 本文主要研究工作和论文内容安排 | 第10-11页 |
| 1.4 本章小结 | 第11-12页 |
| 第二章 运动目标检测 | 第12-22页 |
| 2.1 常用的运动目标检测算法 | 第12-14页 |
| 2.1.1 光流法 | 第12-13页 |
| 2.1.2 帧间差分法 | 第13页 |
| 2.1.3 背景减除法 | 第13-14页 |
| 2.2 混合高斯模型背景建模 | 第14-16页 |
| 2.2.1 单高斯模型 | 第14-15页 |
| 2.2.2 混合高斯模型 | 第15-16页 |
| 2.2.3 前景分割 | 第16页 |
| 2.3 数学形态学处理 | 第16-17页 |
| 2.3.1 腐蚀 | 第17页 |
| 2.3.2 膨胀 | 第17页 |
| 2.3.3 开运算 | 第17页 |
| 2.3.4 闭运算 | 第17页 |
| 2.4 边缘检测 | 第17-19页 |
| 2.5 运动目标轮廓提取算法的提出与实现结果分析 | 第19-21页 |
| 2.6 本章小结 | 第21-22页 |
| 第三章 人体行为特征选择与提取 | 第22-34页 |
| 3.1 Hu矩 | 第22-28页 |
| 3.1.1 几何矩 | 第22-23页 |
| 3.1.2 离散条件下改进的Hu矩 | 第23-24页 |
| 3.1.3 基于轮廓改进的Hu矩 | 第24页 |
| 3.1.4 实验过程和分析 | 第24-28页 |
| 3.2 Hog特征 | 第28-29页 |
| 3.3 主成分分析PCA | 第29-31页 |
| 3.3.1 PCA的原理 | 第30页 |
| 3.3.2 PCA的分析步骤 | 第30-31页 |
| 3.4 实验中Hog特征的计算 | 第31-33页 |
| 3.5 特征融合 | 第33页 |
| 3.6 本章小结 | 第33-34页 |
| 第四章 基于支持向量机的人体行为识别 | 第34-40页 |
| 4.1 常见分类算法简介 | 第34页 |
| 4.2 支持向量机的原理 | 第34-39页 |
| 4.2.1 硬间隔支持向量机 | 第34-36页 |
| 4.2.2 软间隔支持向量机 | 第36页 |
| 4.2.3 特征空间映射与核函数 | 第36-38页 |
| 4.2.4 多类分类算法 | 第38-39页 |
| 4.3 本章小结 | 第39-40页 |
| 第五章 人体行为识别系统的设计与实现 | 第40-57页 |
| 5.1 人体行为识别系统的开发环境 | 第40页 |
| 5.2 系统性能评价方法 | 第40-41页 |
| 5.3 人体行为识别系统设计 | 第41-45页 |
| 5.3.1 运动前景提取模块 | 第43-44页 |
| 5.3.2 目标特征分析模块 | 第44-45页 |
| 5.3.3 行为分类模块 | 第45页 |
| 5.4 实验验证 | 第45-56页 |
| 5.4.1 实验采用的数据 | 第45-46页 |
| 5.4.2 PCA-Hog维数选取 | 第46-52页 |
| 5.4.3 PCA-Hog-Hu融合特征与单一PCA-Hog特征、Hu特征对比 | 第52-56页 |
| 5.5 本章小结 | 第56-57页 |
| 第六章 总结与展望 | 第57-59页 |
| 6.1 工作总结 | 第57-58页 |
| 6.2 工作展望 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 致谢 | 第62-63页 |
| 作者简介 | 第63页 |