基于视频监控的室内跌倒行为的检测与识别研究
| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 研究的背景与意义 | 第12-14页 |
| 1.2 国内外的研究现状 | 第14-17页 |
| 1.2.1 基于可穿戴设备的跌倒检测方法 | 第14-15页 |
| 1.2.2 基于外周传感设备的跌倒检测方法 | 第15-16页 |
| 1.2.3 基于视频监控的跌倒检测方法 | 第16-17页 |
| 1.2.4 本文研究方法的选择 | 第17页 |
| 1.3 本文的研究内容与章节安排 | 第17-20页 |
| 第二章 基于GMM的运动目标提取 | 第20-30页 |
| 2.1 运动目标的提取方法 | 第20-24页 |
| 2.1.1 帧差法 | 第20-22页 |
| 2.1.2 背景差分法 | 第22-23页 |
| 2.1.3 光流法 | 第23-24页 |
| 2.2 混合高斯背景建模 | 第24-29页 |
| 2.2.1 初始背景帧的提取 | 第24-26页 |
| 2.2.2 GMM的建立及参数更新 | 第26-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第三章 融合颜色特征及梯度特征进行阴影消除 | 第30-42页 |
| 3.1 阴影的分类及检测 | 第30-31页 |
| 3.2 HSV颜色空间阴影检测及消除 | 第31-34页 |
| 3.2.1 HSV颜色空间阴影检测及改进 | 第32-33页 |
| 3.2.2 仿真结果及比较 | 第33-34页 |
| 3.3 基于梯度算子的阴影消除 | 第34-36页 |
| 3.3.1 Sobel梯度算子及改进 | 第35-36页 |
| 3.3.2 仿真结果及比较 | 第36页 |
| 3.4 融合梯度特征与颜色特征的阴影消除 | 第36-37页 |
| 3.5 检测结果后处理 | 第37-41页 |
| 3.5.1 数学形态学 | 第38-39页 |
| 3.5.2 仿真结果及分析 | 第39-41页 |
| 3.6 本章小结 | 第41-42页 |
| 第四章 特征的选择与提取 | 第42-52页 |
| 4.1 特征的分类 | 第42-43页 |
| 4.2 形状特征及运动特征的提取 | 第43-49页 |
| 4.2.1 Hu不变矩 | 第43-46页 |
| 4.2.2 外接矩的高宽比 | 第46-47页 |
| 4.2.3 姿态变化率 | 第47-48页 |
| 4.2.4 运动速率 | 第48-49页 |
| 4.3 行为描述 | 第49-50页 |
| 4.4 本章小结 | 第50-52页 |
| 第五章 基于SVM的行为识别 | 第52-64页 |
| 5.1 SVM简介 | 第52-57页 |
| 5.1.1 线性可分情况下的SVM | 第53-54页 |
| 5.1.2 非线性可分情况下的SVM | 第54-56页 |
| 5.1.3 二分类SVM推广至多分类 | 第56-57页 |
| 5.2 数据预处理 | 第57-58页 |
| 5.3 核函数及参数的选择 | 第58-60页 |
| 5.4 分类结果及分析 | 第60-63页 |
| 5.5 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 参考文献 | 第66-72页 |
| 致谢 | 第72-73页 |
| 学位论文评阅及答辩情况表 | 第73页 |
