视频中人体行为分析研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 注释表 | 第10-11页 |
| 缩略词 | 第11-12页 |
| 第一章 绪论 | 第12-19页 |
| 1.1 引言 | 第12页 |
| 1.2 课题的背景与意义 | 第12-13页 |
| 1.3 课题的应用领域 | 第13-14页 |
| 1.4 国内外研究现状 | 第14-16页 |
| 1.5 难点问题及发展趋势 | 第16-17页 |
| 1.6 论文的组织结构 | 第17-19页 |
| 第二章 基于极值抑制的人体运动检测 | 第19-27页 |
| 2.1 引言 | 第19页 |
| 2.2 目标检测基本理论 | 第19-21页 |
| 2.2.1 基于背景差分的目标检测 | 第19页 |
| 2.2.2 基于光流的目标检测 | 第19-20页 |
| 2.2.3 基于帧间差分的目标检测 | 第20页 |
| 2.2.4 数学形态学理论 | 第20-21页 |
| 2.3 基于极值抑制的人体运动检测 | 第21-26页 |
| 2.3.1 人体运动检测 | 第21-24页 |
| 2.3.2 人体内部骨架提取 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 基于改进粒子滤波的人体运动跟踪 | 第27-38页 |
| 3.1 引言 | 第27页 |
| 3.2 粒子滤波基本原理 | 第27-28页 |
| 3.3 粒子滤波算法在人体运动跟踪中的应用 | 第28-37页 |
| 3.3.1 特征的选取 | 第28-29页 |
| 3.3.2 颜色直方图与三种宽度特征 | 第29-30页 |
| 3.3.3 基于粒子滤波人体运动跟踪详细算法 | 第30-32页 |
| 3.3.4 粒子滤波基础上跟踪算法的改进 | 第32-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 基于非负矩阵分解的目标检测和跟踪算法 | 第38-51页 |
| 4.1 引言 | 第38-39页 |
| 4.1.1 图像阴影检测简介 | 第38页 |
| 4.1.2 粒子滤波跟踪算法改进介绍 | 第38-39页 |
| 4.2 非负矩阵分解基本原理 | 第39-41页 |
| 4.2.1 非负矩阵分解（NMF）基本理论 | 第39-40页 |
| 4.2.2 分块非负矩阵分解（BNMF）基本理论 | 第40-41页 |
| 4.3 基于非负矩阵分解的阴影检测研究 | 第41-46页 |
| 4.3.1 阴影区范围的确定 | 第41-42页 |
| 4.3.2 参数 r 以及判别函数的选取 | 第42页 |
| 4.3.3 基于非负矩阵分解的阴影检测算法 | 第42-43页 |
| 4.3.4 实验结果与分析 | 第43-46页 |
| 4.4 非负矩阵分解改进的粒子滤波算法 | 第46-49页 |
| 4.4.1 特征的选取 | 第46页 |
| 4.4.2 基于非负矩阵分解的粒子滤波跟踪算法 | 第46-49页 |
| 4.5 本章小结 | 第49-51页 |
| 第五章 基于图像整体宽度特征的行为识别与分析 | 第51-63页 |
| 5.1 引言 | 第51页 |
| 5.2 基于图像整体宽度特征的行为识别方法 | 第51-60页 |
| 5.2.1 单帧图像人体宽度特征提取 | 第51-52页 |
| 5.2.2 图像序列中人体行为的特征表示 | 第52-54页 |
| 5.2.3 基于宽度特征的不同行为识别 | 第54-55页 |
| 5.2.4 算法的进一步改进及效果 | 第55-60页 |
| 5.3 基于动作序列判定的人体行为分析 | 第60-61页 |
| 5.3.1 异常行为判定原理 | 第60页 |
| 5.3.2 实验结果与分析 | 第60-61页 |
| 5.4 本章小结 | 第61-63页 |
| 第六章 总结与研究展望 | 第63-66页 |
| 6.1 本文主要工作 | 第63-64页 |
| 6.2 不足之处与进一步研究展望 | 第64-66页 |
| 参考文献 | 第66-71页 |
| 致谢 | 第71-72页 |
| 在学期间的研究成果及发表的学术论文 | 第72-73页 |
| 附录 | 第73-75页 |
