| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 课题背景及研究意义 | 第9-10页 |
| 1.2 相关技术研究现状 | 第10-16页 |
| 1.2.1 智能护理机器人研究现状 | 第10-12页 |
| 1.2.2 行为识别技术研究现状 | 第12-16页 |
| 1.2.2.1 传统的行为识别技术 | 第12-14页 |
| 1.2.2.2 基于穿戴传感器的行为识别技术 | 第14页 |
| 1.2.2.3 基于深度学习的行为识别技术 | 第14-16页 |
| 1.3 面向护理机器人的行为识别关键技术 | 第16-17页 |
| 1.4 主要研究内容 | 第17-19页 |
| 第二章 面向智能护理机器人的行为识别理论基础研究 | 第19-33页 |
| 2.1 引言 | 第19页 |
| 2.2 行为识别 | 第19-23页 |
| 2.2.1 行为的基本模式 | 第19-20页 |
| 2.2.2 行为识别基本原理与流程 | 第20-21页 |
| 2.2.3 行为识别性能指标 | 第21-23页 |
| 2.3 常见行为识别方法的比较 | 第23-24页 |
| 2.4 卷积神经网络 | 第24-27页 |
| 2.4.1 基本结构 | 第24-25页 |
| 2.4.2 稀疏连接 | 第25-27页 |
| 2.4.3 权值共享 | 第27页 |
| 2.5 护理对象分析研究 | 第27-29页 |
| 2.5.1 护理对象生理特点分析 | 第27-28页 |
| 2.5.2 护理对象行为分析 | 第28-29页 |
| 2.6 护理对象的行为数据库建立 | 第29-30页 |
| 2.7 本章小结 | 第30-33页 |
| 第三章 行为视频中护理对象的检测方法 | 第33-49页 |
| 3.1 引言 | 第33页 |
| 3.2 常用运动目标检测方法研究 | 第33-37页 |
| 3.2.1 帧间差分法 | 第33-34页 |
| 3.2.2 背景减除法 | 第34-35页 |
| 3.2.3 光流法 | 第35-37页 |
| 3.2.4 方法对比分析 | 第37页 |
| 3.3 基于隔帧差分与LK光流法相结合的护理对象检测方法 | 第37-42页 |
| 3.3.1 方法分析 | 第37-38页 |
| 3.3.2 方法基本流程 | 第38-42页 |
| 3.4 实验与结果分析 | 第42-47页 |
| 3.5 本章小结 | 第47-49页 |
| 第四章 一种改进的基于卷积神经网络的护理对象行为识别方法 | 第49-63页 |
| 4.1 引言 | 第49页 |
| 4.2 面向智能护理机器人的行为识别方案 | 第49-50页 |
| 4.3 跨层式CNN-SVM网络模型 | 第50-58页 |
| 4.3.1 模型总体结构设计 | 第50-52页 |
| 4.3.2 预处理 | 第52页 |
| 4.3.3 CNN跨层式结构设计 | 第52-54页 |
| 4.3.4 激活函数的选取 | 第54-57页 |
| 4.3.5 行为分类器 | 第57-58页 |
| 4.3.5.1 SVM分类原理 | 第57页 |
| 4.3.5.2 SVM多类行为分类器 | 第57-58页 |
| 4.4 跨层式CNN-SVM模型的参数选取 | 第58-59页 |
| 4.4.1 学习率 | 第58页 |
| 4.4.2 网络权值和阈值 | 第58-59页 |
| 4.5 CNN的训练与学习 | 第59-61页 |
| 4.6 本章小结 | 第61-63页 |
| 第五章 实验与分析 | 第63-71页 |
| 5.1 实验环境 | 第63页 |
| 5.2 特征图可视化 | 第63-65页 |
| 5.3 实验结果 | 第65-67页 |
| 5.3.1 识别率 | 第65-66页 |
| 5.3.2 混淆矩阵 | 第66-67页 |
| 5.3.3 误差曲线图 | 第67页 |
| 5.4 与CNN对比 | 第67-69页 |
| 5.5 与其它文献对比 | 第69页 |
| 5.6 本章小结 | 第69-71页 |
| 第六章 结论 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 攻读学位期间所取得的相关科研成果 | 第77-79页 |
| 致谢 | 第79页 |