基于视觉的人体运动分析算法研究
| 致谢 | 第1-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-12页 |
| 1 引言 | 第12-22页 |
| ·研究背景和意义 | 第12-13页 |
| ·人体运动分析的发展与研究现状 | 第13-19页 |
| ·目前存在的主要问题 | 第19-20页 |
| ·本文的研究内容及结构安排 | 第20-22页 |
| 2 运动目标检测技术研究 | 第22-44页 |
| ·运动目标检测方法介绍 | 第22-35页 |
| ·时间差分 | 第22-23页 |
| ·背景减除 | 第23-24页 |
| ·光流法 | 第24-27页 |
| ·最小化能量法 | 第27-28页 |
| ·基于学习的方法 | 第28-29页 |
| ·目标检测方法比较 | 第29-35页 |
| ·基于自适应混合高斯模型背景分割算法 | 第35-38页 |
| ·自适应混合高斯模型 | 第35-36页 |
| ·背景建模 | 第36页 |
| ·匹配原则 | 第36-37页 |
| ·模型更新 | 第37页 |
| ·目标决策 | 第37-38页 |
| ·基于自适应学习速率的背景模型学习算法 | 第38-43页 |
| ·固定学习速率的缺陷 | 第38-39页 |
| ·自适应的学习机制 | 第39-41页 |
| ·学习背景模型 | 第41-43页 |
| ·本章小结 | 第43-44页 |
| 3 基于粒子滤波的目标跟踪算法 | 第44-58页 |
| ·贝叶斯滤波原理 | 第44-47页 |
| ·粒子滤波算法 | 第47-52页 |
| ·重要性采样 | 第47-50页 |
| ·算法的退化问题 | 第50页 |
| ·选择合适的提议分布 | 第50页 |
| ·重采样 | 第50-52页 |
| ·基于颜色直方图的粒子滤波目标跟踪算法 | 第52-56页 |
| ·颜色分布模型 | 第53页 |
| ·粒子状态预测 | 第53-54页 |
| ·系统观测与粒子权值更新 | 第54-55页 |
| ·目标位置的确定 | 第55页 |
| ·粒子重采样 | 第55-56页 |
| ·本章小结 | 第56-58页 |
| 4 基于人体区域形状上下文的行为识别算法 | 第58-76页 |
| ·人体行为识别的方法 | 第58页 |
| ·基于人体区域形状上下文的特征提取方法 | 第58-62页 |
| ·连续隐马尔可夫模型训练 | 第62-73页 |
| ·马尔可夫过程与马尔可夫链 | 第62-64页 |
| ·隐马尔可夫模型 | 第64-72页 |
| ·基于最佳状态数估计的隐马尔可夫模型训练 | 第72-73页 |
| ·分类识别 | 第73-74页 |
| ·本章小结 | 第74-76页 |
| 5 算法实现及实验 | 第76-96页 |
| ·基于高斯混合模型的背景减除算法 | 第76-82页 |
| ·基于高斯混合模型的背景减除算法实现 | 第76-78页 |
| ·实验结果与分析 | 第78-82页 |
| ·基于颜色直方图的粒子滤波目标跟踪算法 | 第82-89页 |
| ·基于颜色直方图的粒子滤波目标跟踪算法实现 | 第82-87页 |
| ·实验结果与分析 | 第87-89页 |
| ·基于人体区域形状上下文的行为识别算法 | 第89-94页 |
| ·基于人体区域形状上下文的行为识别算法实现 | 第89-91页 |
| ·实验结果与分析 | 第91-94页 |
| ·算法实现平台 | 第94-96页 |
| 6 结论与展望 | 第96-98页 |
| ·工作总结 | 第96页 |
| ·未来工作展望 | 第96-98页 |
| 参考文献 | 第98-104页 |
| 作者简历 | 第104-108页 |
| 学位论文数据集 | 第108页 |
