基于视频的人体行为识别技术研究
| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 1 绪论 | 第10-17页 |
| ·引言 | 第10页 |
| ·课题研究背景及意义 | 第10-12页 |
| ·国内外研究现状 | 第12-14页 |
| ·主要研究内容 | 第14-16页 |
| ·论文组织结构 | 第16-17页 |
| 2 基于改进混合高斯背景模型的人体目标检测 | 第17-34页 |
| ·引言 | 第17页 |
| ·视频图像预处理 | 第17-20页 |
| ·图像平滑处理 | 第17-19页 |
| ·直方图均衡化 | 第19-20页 |
| ·人体目标检测方法研究 | 第20-26页 |
| ·光流法 | 第20-22页 |
| ·帧间差分法 | 第22-24页 |
| ·背景差分法 | 第24-26页 |
| ·混合高斯模型的一种改进算法 | 第26-31页 |
| ·高斯混合背景模型 | 第26-27页 |
| ·模型定义与参数初始化 | 第26-27页 |
| ·模型匹配与参数更新 | 第27页 |
| ·前景目标检测 | 第27页 |
| ·改进混合高斯模型的算法思想 | 第27-30页 |
| ·更新率和方差的改进 | 第28-29页 |
| ·学习率的在线更新 | 第29-30页 |
| ·数学形态学处理 | 第30-31页 |
| ·实验结果与分析 | 第31-33页 |
| ·本章小结 | 第33-34页 |
| 3 基于多特征融合的人体行为特征描述 | 第34-52页 |
| ·特征提取概述 | 第34-36页 |
| ·特征提取与优化 | 第35页 |
| ·特征提取过程 | 第35-36页 |
| ·形状特征描述 | 第36-39页 |
| ·人体目标轮廓提取 | 第36-38页 |
| ·最小外接矩形 | 第38-39页 |
| ·时空兴趣点检测与描述 | 第39-44页 |
| ·3-D Harris的时空兴趣点检测算法 | 第40-43页 |
| ·实验结果与分析 | 第43-44页 |
| ·区域特征描述方法 | 第44-48页 |
| ·Hu不变矩特征提取 | 第44-46页 |
| ·HOG梯度直方图特征提取 | 第46-48页 |
| ·基于K-L变换的时空局部特征融合 | 第48-50页 |
| ·特征的归一化处理 | 第49页 |
| ·K-L变换的特征融合 | 第49-50页 |
| ·本章小结 | 第50-52页 |
| 4 层次分类思想与多分类器结合的行为识别 | 第52-66页 |
| ·层次分类思想 | 第52-53页 |
| ·基于特征复杂度的特征分层 | 第52页 |
| ·基于特征重要性的特征分层 | 第52-53页 |
| ·层次分类行为识别架构 | 第53-55页 |
| ·支持向量机分类原理 | 第55-60页 |
| ·最大间隔原则 | 第57-59页 |
| ·多类分类器设计 | 第59-60页 |
| ·实验结果与分析 | 第60-65页 |
| ·层次分类的实验结果与分析 | 第61-63页 |
| ·单一特征与特征融合对比实验 | 第63-64页 |
| ·SVM与BP神经网络识别对比实验 | 第64-65页 |
| ·本章小结 | 第65-66页 |
| 5 人体行为识别系统设计与实现 | 第66-70页 |
| ·系统功能介绍 | 第66-67页 |
| ·研究开发平台 | 第67-68页 |
| ·系统运行结果 | 第68-69页 |
| ·本章小结 | 第69-70页 |
| 结论 | 第70-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-78页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第78页 |
