| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 研究的背景和意义 | 第10-11页 |
| 1.2 老人突发失能检测算法研究综述 | 第11-17页 |
| 1.2.1 接触式检测方法 | 第11-14页 |
| 1.2.2 非接触式检测方法 | 第14-15页 |
| 1.2.3 老人突发失能检测的难点 | 第15-17页 |
| 1.3 本文的研究内容及结构安排 | 第17-19页 |
| 1.3.1 论文的研究内容 | 第17页 |
| 1.3.2 论文的结构安排 | 第17-19页 |
| 第2章 基于视觉传感器的老人突发失能检测算法框架 | 第19-25页 |
| 2.1 引言 | 第19页 |
| 2.2 算法整体框架 | 第19-21页 |
| 2.3 算法功能描述 | 第21页 |
| 2.4 算法的Windows和Android两种实验平台概述 | 第21-24页 |
| 2.4.1 算法的Windows实验平台构建 | 第21-23页 |
| 2.4.2 算法的Android实验平台构建 | 第23-24页 |
| 2.5 小结 | 第24-25页 |
| 第3章 基于高斯模型的老人空间驻留超时检测 | 第25-41页 |
| 3.1 引言 | 第25-26页 |
| 3.2 基于ViBe背景建模的老人室内定位 | 第26-32页 |
| 3.2.1 ViBe背景建模 | 第26-28页 |
| 3.2.2 自然状态下的老人室内实时定位 | 第28-32页 |
| 3.3 老人空间驻留时间数据统计 | 第32-36页 |
| 3.3.1 视频图像网格化及老人实时定位 | 第32-34页 |
| 3.3.2 基于区域状态标记的老人空间驻留时间数据统计 | 第34-36页 |
| 3.4 老人不同空间驻留超时检测 | 第36-39页 |
| 3.4.1 老人空间驻留时间高斯建模 | 第36-37页 |
| 3.4.2 老人空间驻留时间上限阈值提取与超时检测 | 第37-39页 |
| 3.5 实验结果与分析 | 第39-40页 |
| 3.6 小结 | 第40-41页 |
| 第4章 基于图像局部方差的老人微小动作检测 | 第41-53页 |
| 4.1 引言 | 第41页 |
| 4.2 视频图像的局部方差分析 | 第41-47页 |
| 4.2.1 图像的局部方差 | 第41页 |
| 4.2.2 图像局部方差变化影响因素分析 | 第41-47页 |
| 4.3 基于图像局部方差的老人微小动作检测 | 第47-51页 |
| 4.3.1 老人所在子区域图像网格化处理 | 第47-48页 |
| 4.3.2 子块图像局部方差峰谷差率提取 | 第48页 |
| 4.3.3 基于κ-近邻算法的老人微小动作检测 | 第48-51页 |
| 4.4 实验结果与分析 | 第51-52页 |
| 4.5 小结 | 第52-53页 |
| 第5章 老人突发失能检测算法的构建及实现 | 第53-64页 |
| 5.1 引言 | 第53页 |
| 5.2 老人突发失能检测算法的构建 | 第53-54页 |
| 5.3 基于Windows平台的老人突发失能检测的实现 | 第54-58页 |
| 5.3.1 视频图像采集 | 第54-55页 |
| 5.3.2 视频图像处理 | 第55-56页 |
| 5.3.3 实验结果分析 | 第56-58页 |
| 5.4 算法移植于Android平台的关键技术研究 | 第58-63页 |
| 5.4.1 Android平台的优势及框架分析 | 第58-60页 |
| 5.4.2 Android平台运动目标检测算法移植实现 | 第60-62页 |
| 5.4.3 功能测试与分析 | 第62-63页 |
| 5.5 小结 | 第63-64页 |
| 第6章 总结与展望 | 第64-66页 |
| 6.1 本文主要研究工作总结 | 第64-65页 |
| 6.2 下一步的工作重点 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 致谢 | 第70-71页 |
| 攻读硕士学位期间论文发表及科研情况 | 第71页 |
