室内日常生活行为检测技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第13-17页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 行为识别的技术难点 | 第14-15页 |
| 1.3 本文研究内容及组织结构 | 第15-17页 |
| 1.3.1 本文研究内容 | 第15-16页 |
| 1.3.2 本文组织结构 | 第16-17页 |
| 第二章 运动人体检测及特征的提取与描述 | 第17-31页 |
| 2.1 常用的运动人体检测方法 | 第17-20页 |
| 2.1.1 光流法 | 第17-18页 |
| 2.1.2 帧差分法 | 第18-19页 |
| 2.1.3 背景减除法 | 第19-20页 |
| 2.2 基于Kinect的运动人体检测 | 第20-24页 |
| 2.2.1 Kinect工作原理 | 第20-22页 |
| 2.2.2 Kinect人体骨架跟踪 | 第22-24页 |
| 2.2.3 Kinect在行为识别中的应用 | 第24页 |
| 2.3 几种常用的特征描述方法 | 第24-30页 |
| 2.3.1 人体轮廓描述方法 | 第24-27页 |
| 2.3.2 人体区域描述方法 | 第27-29页 |
| 2.3.3 骨骼模型描述方法 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 SVM&HMM混合模型 | 第31-45页 |
| 3.1 支持向量机(SVM) | 第31-35页 |
| 3.1.1 线性可分情况 | 第31-33页 |
| 3.1.2 线性不可分情况 | 第33页 |
| 3.1.3 非线性可分情况 | 第33-34页 |
| 3.1.4 内积核函数 | 第34-35页 |
| 3.2 HMM模型 | 第35-40页 |
| 3.2.1 HMM模型 | 第35-37页 |
| 3.2.2 HMM模型基本算法 | 第37-40页 |
| 3.3 SVM&HMM混合模型 | 第40-43页 |
| 3.3.1 SVM多分类问题解决策略 | 第41-42页 |
| 3.3.2 SVM与HMM的结合方法 | 第42-43页 |
| 3.4 本章小结 | 第43-45页 |
| 第四章 基于SVM&HMM的室内日常行为自动检测 | 第45-59页 |
| 4.1 相关研究现状 | 第45-46页 |
| 4.2 特征提取 | 第46-49页 |
| 4.2.1 关节极坐标特征 | 第46-48页 |
| 4.2.2 运动特征 | 第48页 |
| 4.2.3 结构特征 | 第48-49页 |
| 4.3 SVM&HMM混合模型建模 | 第49-51页 |
| 4.3.1 HMM模型的选择 | 第49页 |
| 4.3.2 SVM&HMM混合模型训练 | 第49-51页 |
| 4.4 系统框架设计 | 第51-53页 |
| 4.5 系统的实现及实验结果 | 第53-58页 |
| 4.5.1 实验数据 | 第53-54页 |
| 4.5.2 模型的训练 | 第54-55页 |
| 4.5.3 实验结果与分析 | 第55-58页 |
| 4.6 本章小结 | 第58-59页 |
| 第五章 无监督人体运动行为序列分割及识别 | 第59-69页 |
| 5.1 常用的人体运动行为学列分割方法 | 第59-60页 |
| 5.2 特征提取 | 第60-61页 |
| 5.3 算法框架 | 第61-62页 |
| 5.4 行为序列分割 | 第62-64页 |
| 5.4.1 基于SVD的本征维数估计 | 第62-63页 |
| 5.4.2 基于置信度分类模型的目标函数 | 第63-64页 |
| 5.5 行为序列分割算法 | 第64-65页 |
| 5.6 实验结果与分析 | 第65-68页 |
| 5.6.1 行为序列分割结果 | 第66-67页 |
| 5.6.2 建立行为模型与识别 | 第67-68页 |
| 5.7 本章小结 | 第68-69页 |
| 第六章 总结与展望 | 第69-71页 |
| 6.1 本文总结 | 第69页 |
| 6.2 展望 | 第69-71页 |
| 参考文献 | 第71-77页 |
| 附录攻读硕士期间发表的论文 | 第77-79页 |
| 致谢 | 第79页 |
