| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 基于可穿戴式设备的跌倒检测系统 | 第11-12页 |
| 1.2.2 基于环境信号的跌倒检测系统 | 第12-13页 |
| 1.2.3 基于视频图像的人体跌倒检测系统 | 第13-14页 |
| 1.3 本文研究内容和结构 | 第14-15页 |
| 1.4 本文章节安排 | 第15-16页 |
| 2 Kinect开发平台 | 第16-27页 |
| 2.1 Kinect简介 | 第16-17页 |
| 2.2 Kinect深度图像获取技术 | 第17-20页 |
| 2.3 Kinect骨骼跟踪技术 | 第20-24页 |
| 2.4 KinectSDK | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 3 动态跌倒检测的研究和实现 | 第27-39页 |
| 3.1 跌倒检测理论基础 | 第27-28页 |
| 3.1.1 人体跌倒原因分析 | 第27页 |
| 3.1.2 人体跌倒过程的分析 | 第27-28页 |
| 3.2 基于Kinect的人体动态跌倒检测系统的实现 | 第28-33页 |
| 3.2.1 基于Kinect的人体跌倒跟踪检测系统框架 | 第28-29页 |
| 3.2.2 数据采集模块 | 第29-30页 |
| 3.2.3 数据处理模块 | 第30-31页 |
| 3.2.4 跌倒判断模块 | 第31-33页 |
| 3.3 实验结果及分析 | 第33-38页 |
| 3.3.1 图像采集模块 | 第33-35页 |
| 3.3.2 系统测试和结果分析 | 第35-38页 |
| 3.4 本章小结 | 第38-39页 |
| 4 基于卷积神经网络的静态跌倒检测系统研究与实现 | 第39-58页 |
| 4.1 问题的提出 | 第39-40页 |
| 4.2 卷积神经网络研究 | 第40-45页 |
| 4.2.1 机器学习的发展进程 | 第40-41页 |
| 4.2.2 卷积神经网络的基本架构 | 第41-43页 |
| 4.2.3 卷积神经网络的特征 | 第43-45页 |
| 4.3 VGG-19模型结构 | 第45-49页 |
| 4.4 基于VGG-19网络的人体关节点识别 | 第49-53页 |
| 4.4.1 人体关节识别算法 | 第49-51页 |
| 4.4.2 人体关节识别结果 | 第51-53页 |
| 4.5 静态跌倒检测的实现方法 | 第53-55页 |
| 4.6 静态跌倒检测实验分析 | 第55-57页 |
| 4.7 本章小结 | 第57-58页 |
| 5 总结与展望 | 第58-60页 |
| 5.1 工作总结 | 第58-59页 |
| 5.2 未来工作展望 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 个人简历、在校期间学术及实践成果 | 第63-64页 |
| 致谢 | 第64页 |