| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第12-22页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 人体跌倒检测研究现状 | 第13-17页 |
| 1.2.1 特征提取算法综述 | 第14-15页 |
| 1.2.2 分类器模型综述 | 第15-17页 |
| 1.3 基于视觉信息的人体跌倒检测研究存在的问题 | 第17-18页 |
| 1.4 本文研究内容 | 第18-19页 |
| 1.5 章节安排 | 第19-22页 |
| 第二章 SDUFall人体跌倒检测数据集 | 第22-28页 |
| 2.1 Kinect简介 | 第22-24页 |
| 2.1.1 Kinect结构组成 | 第23页 |
| 2.1.2 Kinect SDK主要功能介绍 | 第23-24页 |
| 2.1.3 Kinect应用领域 | 第24页 |
| 2.2 SDUFall数据集 | 第24-26页 |
| 2.3 本章小结 | 第26-28页 |
| 第三章 基于Kinect人体跌倒检测特征提取算法 | 第28-42页 |
| 3.1 基于深度图像的曲率尺度空间特征 | 第28-32页 |
| 3.1.1 基于深度图像的人体轮廓提取 | 第28-29页 |
| 3.1.2 曲率尺度空间特征提取 | 第29-31页 |
| 3.1.3 动作的视频词包模型表示 | 第31-32页 |
| 3.2 基于深度图像的人体形态特征 | 第32-34页 |
| 3.3 基于骨骼点三维坐标信息的轨迹特征 | 第34-35页 |
| 3.4 基于单一特征的人体跌倒检测实验结果 | 第35-39页 |
| 3.4.1 基于曲率尺度空间特征的人体跌倒检测 | 第35-37页 |
| 3.4.2 基于人体形态特征的人体跌倒检测 | 第37-38页 |
| 3.4.3 基于骨骼点轨迹特征的人体跌倒检测 | 第38-39页 |
| 3.4.4 基于三类特征的人体跌倒检测实验结果比较 | 第39页 |
| 3.5 本章小结 | 第39-42页 |
| 第四章 基于GNCCA多模态特征选择的人体跌倒检测 | 第42-54页 |
| 4.1 典型相关分析 | 第42页 |
| 4.2 多模态典型相关分析 | 第42-44页 |
| 4.3 有监督的多模态典型相关分析 | 第44-45页 |
| 4.4 稀疏非负典型相关分析 | 第45-46页 |
| 4.5 有监督的组稀疏非负典型相关分析 | 第46-49页 |
| 4.6 基于GNCCA多模特征选择的人体跌倒检测 | 第49-53页 |
| 4.6.1 基于决策层融合的人体跌倒检测 | 第49-51页 |
| 4.6.2 基于GNCCA多模特征选择的人体跌倒检测 | 第51-53页 |
| 4.7 本章小结 | 第53-54页 |
| 第五章 基于改进变长度粒子群优化算法的极限学习机 | 第54-66页 |
| 5.1 极限学习机 | 第54-56页 |
| 5.2 基于粒子群优化算法的极限学习机 | 第56-58页 |
| 5.2.1 粒子群优化算法 | 第56-57页 |
| 5.2.2 基于粒子群优化算法的极限学习机 | 第57-58页 |
| 5.3 基于改进变长度粒子群优化算法的极限学习机 | 第58-61页 |
| 5.3.1 变长度粒子群优化算法 | 第58-60页 |
| 5.3.2 基于改进变长度粒子群优化算法的极限学习机 | 第60-61页 |
| 5.4 分类器性能比较与分析 | 第61-64页 |
| 5.5 本章小结 | 第64-66页 |
| 第六章 总结与展望 | 第66-70页 |
| 6.1 全文总结 | 第66-67页 |
| 6.2 展望 | 第67-70页 |
| 参考文献 | 第70-78页 |
| 致谢 | 第78-80页 |
| 攻读硕士学位期间的学术成果 | 第80-81页 |
| 附件 | 第81页 |
