摘要 | 第4-5页 |
abstract | 第5-6页 |
第一章 绪论 | 第9-18页 |
1.1 研究背景及意义 | 第9-10页 |
1.2 国内外研究现状 | 第10-16页 |
1.2.1 基于穿戴式传感器的人体跌倒检测 | 第10-11页 |
1.2.2 基于环境布设传感器的人体跌倒检测 | 第11-14页 |
1.2.3 基于相机的人体跌倒检测 | 第14-16页 |
1.3 本文的研究内容和组织结构 | 第16-18页 |
第二章 相关背景知识介绍 | 第18-27页 |
2.1 运动目标检测 | 第18-21页 |
2.1.1 ViBe算法 | 第19-21页 |
2.2 运动目标追踪 | 第21-23页 |
2.2.1 卡尔曼滤波 | 第21-22页 |
2.2.2 YOLO目标检测网络 | 第22-23页 |
2.3 特征提取 | 第23-24页 |
2.3.1 形状特征 | 第23-24页 |
2.3.2 运动特征 | 第24页 |
2.4 分类器 | 第24-25页 |
2.4.1 基于阈值的分类器 | 第24页 |
2.4.2 基于机器学习的分类器 | 第24-25页 |
2.5 系统测试与评估 | 第25-26页 |
2.6 本章小结 | 第26-27页 |
第三章 基于多信息融合改进ViBe算法的运动目标检测 | 第27-41页 |
3.1 引言 | 第27-28页 |
3.2 相关工作 | 第28-29页 |
3.2.1 伪装问题 | 第28页 |
3.2.2 多信息融合 | 第28-29页 |
3.3 针对伪装问题的多信息融合改进ViBe算法 | 第29-33页 |
3.3.1 模型建立 | 第29-30页 |
3.3.2 匹配度计算 | 第30-33页 |
3.2.2.1 自底向上匹配度计算 | 第30-31页 |
3.2.2.2 自顶向下匹配度计算 | 第31-32页 |
3.2.2.3 累加匹配度计算 | 第32-33页 |
3.3.3 隶属度计算 | 第33页 |
3.3.4 阈值化操作 | 第33页 |
3.4 实验与结果分析 | 第33-40页 |
3.4.1 实验设置 | 第33-36页 |
3.4.1.1 测试序列 | 第33页 |
3.4.1.2 参数设置 | 第33-36页 |
3.4.2 主观比较 | 第36-37页 |
3.4.3 客观比较 | 第37-40页 |
3.5 本章小结 | 第40-41页 |
第四章 基于多特征融合的低复杂度的人体跌倒检测 | 第41-56页 |
4.1 引言 | 第41-42页 |
4.2 着地行为识别 | 第42-47页 |
4.2.1 滞留物检测 | 第43页 |
4.2.2 基于YOLO的目标识别 | 第43-46页 |
4.2.3 特征提取和SVM分类 | 第46-47页 |
4.3 基于YOLO和卡尔曼滤波算法的目标追踪和轨迹提取 | 第47-48页 |
4.4 基于运动特征和阈值法分类的跌倒行为检测 | 第48-52页 |
4.4.1 跌倒行为分割 | 第49-51页 |
4.4.2 运动特征提取与阈值法分类 | 第51-52页 |
4.5 实验与结果分析 | 第52-55页 |
4.5.1 着地状态识别实验 | 第52-53页 |
4.5.2 目标追踪实验 | 第53-55页 |
4.5.3 阈值法分类实验 | 第55页 |
4.6 本章小结 | 第55-56页 |
第五章 总结与展望 | 第56-58页 |
5.1 总结 | 第56-57页 |
5.2 展望 | 第57-58页 |
参考文献 | 第58-61页 |
附录1 攻读硕士学位期间撰写的论文 | 第61-62页 |
附录2 攻读硕士学位期间申请的专利 | 第62-63页 |
致谢 | 第63页 |