首页--工业技术论文--无线电电子学、电信技术论文--电视论文--电视中心、电视设备论文--电视中心管理系统论文

家庭视频监控环境中人体异常行为检测关键技术

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

论文共63页,点击 下载论文
上一篇:共享单车使用中的失范行为及其治理对策研究
下一篇:重庆养老院室外环境设计研究