基于多特征融合和机器学习的摔倒检测
| 摘要 | 第3-5页 |
| abstract | 第5-6页 |
| 第1章 引言 | 第9-18页 |
| 1.1 课题背景和研究意义 | 第9-10页 |
| 1.2 国内外研究和应用现状 | 第10-16页 |
| 1.2.1 摔倒特征的提取 | 第10-12页 |
| 1.2.2 摔倒特征的分类 | 第12-14页 |
| 1.2.3 多尺度和多视角问题 | 第14-15页 |
| 1.2.4 已有工作的不足 | 第15-16页 |
| 1.3 本文工作 | 第16-18页 |
| 第2章 基于OpenPose的新摔倒特征 | 第18-30页 |
| 2.1 摔倒行为的特征提取的难点 | 第18-19页 |
| 2.2 采用OpenPose提取人体特征 | 第19-21页 |
| 2.2.1 OpenPose方法总体流程 | 第19-20页 |
| 2.2.2 OpenPose网络结构 | 第20-21页 |
| 2.3 摔倒新特征 | 第21-26页 |
| 2.3.1 PAF方法分析人体部位 | 第22-23页 |
| 2.3.2 判别静态姿态特征 | 第23-25页 |
| 2.3.3 判别动态姿态特征 | 第25-26页 |
| 2.4 实验结果和分析 | 第26-29页 |
| 2.4.1 实验运行环境和实验数据 | 第26页 |
| 2.4.2 一般行为人体姿态 | 第26-27页 |
| 2.4.3 提取静态特征 | 第27-28页 |
| 2.4.4 提取动态特征 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 一种新的二次分类的实时摔倒检测算法 | 第30-46页 |
| 3.1 摔倒特征分类的难点 | 第30页 |
| 3.2 提出的方法的总体流程 | 第30-32页 |
| 3.3 基于SVM的摔倒特征第一次粗分类 | 第32-36页 |
| 3.3.1 采用SVM的原因 | 第32页 |
| 3.3.2 简单摔倒特征的分类模型 | 第32-34页 |
| 3.3.3 复杂摔倒特征的分类模型 | 第34-36页 |
| 3.4 基于CNN的摔倒特征第二次细分类 | 第36-42页 |
| 3.4.1 CNN对摔倒特征分类的优势 | 第36-37页 |
| 3.4.2 前向传播的基本单元 | 第37-39页 |
| 3.4.3 用于摔倒检测的CNN网络 | 第39-41页 |
| 3.4.4 各层网络参数设置 | 第41-42页 |
| 3.5 实验结果和分析 | 第42-44页 |
| 3.5.1 实验运行环境和实验数据 | 第42页 |
| 3.5.2 定性分析 | 第42-43页 |
| 3.5.3 定量分析 | 第43-44页 |
| 3.6 本章小结 | 第44-46页 |
| 第4章 一种新的实时多特征的多尺度模型 | 第46-53页 |
| 4.1 实时摔倒特征分类的难点 | 第46页 |
| 4.2 标准尺度的建立 | 第46-49页 |
| 4.3 多尺度分类算法 | 第49-50页 |
| 4.4 实验结果和分析 | 第50-52页 |
| 4.4.1 实验运行环境和实验数据 | 第50页 |
| 4.4.2 定性分析 | 第50-51页 |
| 4.4.3 定量分析 | 第51-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第5章 结论与展望 | 第53-55页 |
| 5.1 结论 | 第53页 |
| 5.2 进一步工作的方向 | 第53-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 攻读学位期间的研究成果 | 第59页 |
