| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-13页 |
| 1.1 课题研究背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 本文主要工作和创新点 | 第10-11页 |
| 1.4 论文的组织结构 | 第11-13页 |
| 2 跌倒检测研究方法介绍 | 第13-17页 |
| 2.1 非基于计算机视觉的跌倒检测研究方法 | 第13-14页 |
| 2.1.1 基于可穿戴设备的跌倒检测方法 | 第13-14页 |
| 2.1.2 基于场景传感器的跌倒检测方法 | 第14页 |
| 2.2 基于机器视觉的跌倒检测方法 | 第14-16页 |
| 2.3 常见的跌倒检测方法的对比 | 第16页 |
| 2.4 本章小结 | 第16-17页 |
| 3 一种新的运动特征--多质心偏移向量 | 第17-30页 |
| 3.1 常用特征介绍 | 第17-18页 |
| 3.1.1 人体形状和姿态特征 | 第17-18页 |
| 3.1.2 人体运动特征 | 第18页 |
| 3.2 多质心偏移向量提取 | 第18-28页 |
| 3.2.1 人体前景提取 | 第18-20页 |
| 3.2.2 人体轮廓定位 | 第20-22页 |
| 3.2.3 人体轮廓划分和跟踪 | 第22-24页 |
| 3.2.4 人体多质心偏移向量提取 | 第24-28页 |
| 3.3 人体运动视觉词包 | 第28-29页 |
| 3.4 本章小结 | 第29-30页 |
| 4 跌倒检测的静态模型--DAG-SVM模型 | 第30-40页 |
| 4.1 支持向量机理论 | 第30-34页 |
| 4.1.1 统计学习理论基础 | 第30-31页 |
| 4.1.2 核函数 | 第31页 |
| 4.1.3 最大间隔超平面 | 第31-32页 |
| 4.1.4 支持向量机分类方法 | 第32-34页 |
| 4.2 常用多分类SVM方法 | 第34-35页 |
| 4.2.1 OVR方法 | 第34-35页 |
| 4.2.2 OVO方法 | 第35页 |
| 4.2.3 DAG-SVM方法 | 第35页 |
| 4.3 建立基于DAG-SVM的跌倒检测模型 | 第35-39页 |
| 4.3.1 TF模型 | 第36-37页 |
| 4.3.2 建立基于DAG-SVM的跌倒检测模型 | 第37-39页 |
| 4.4 本章小结 | 第39-40页 |
| 5 跌倒检测的动态模型--HMM模型 | 第40-52页 |
| 5.1 隐马尔可夫模型 | 第40-41页 |
| 5.2 常见的三个基本问题 | 第41-46页 |
| 5.2.1 评估问题 | 第41-43页 |
| 5.2.2 解码问题 | 第43-44页 |
| 5.2.3 学习问题 | 第44-46页 |
| 5.3 建立HMM的跌倒模型 | 第46-51页 |
| 5.3.1 人体运动数据处理 | 第47-48页 |
| 5.3.2 建立HMM跌倒检测模型 | 第48-51页 |
| 5.4 本章小结 | 第51-52页 |
| 6 基于计算机视觉的跌倒检测实验及分析 | 第52-59页 |
| 6.1 数据集及实验环境介绍 | 第52页 |
| 6.2 实验评价方法 | 第52-53页 |
| 6.3 实验结果及分析 | 第53-56页 |
| 6.3.1 基于DAG-SVM的跌倒检测结果及分析 | 第53-55页 |
| 6.3.2 基于HMM的跌倒检测结果及分析 | 第55-56页 |
| 6.4 试验对比 | 第56-58页 |
| 6.5 本章小结 | 第58-59页 |
| 7 总结与展望 | 第59-61页 |
| 7.1 论文研究工作总结 | 第59-60页 |
| 7.2 下一步工作展望 | 第60-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-64页 |