| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第8-15页 |
| 1.1 选题背景和研究意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 人体行为识别技术研究的难点 | 第11-12页 |
| 1.4 本论文研究内容与章节安排 | 第12-15页 |
| 1.4.1 论文主要研究工作 | 第12-13页 |
| 1.4.2 论文章节安排 | 第13-15页 |
| 2 人体运动目标检测概述 | 第15-23页 |
| 2.1 常用的运动目标检测算法 | 第15-17页 |
| 2.1.1 时间差分法 | 第15-16页 |
| 2.1.2 光流法 | 第16页 |
| 2.1.3 背景减除法 | 第16-17页 |
| 2.2 基于背景建模的前景检测方法 | 第17-20页 |
| 2.2.1 统计平均法 | 第17-18页 |
| 2.2.2 混合高斯模型法 | 第18-19页 |
| 2.2.3 CodeBook模型法 | 第19-20页 |
| 2.2.4 ViBe方法 | 第20页 |
| 2.3 不同算法的前景检测效果 | 第20-22页 |
| 2.4 混合高斯模型和三帧差分法相融合 | 第22页 |
| 2.5 本章小结 | 第22-23页 |
| 3 特征提取与行为识别研究 | 第23-38页 |
| 3.1 人体行为识别方法概述 | 第23-24页 |
| 3.2 基于时空形状特征的人体行为识别 | 第24-29页 |
| 3.2.1 动作能量图像 | 第24-25页 |
| 3.2.2 Hu不变矩 | 第25-26页 |
| 3.2.3 基于MEI的Hu矩特征提取 | 第26-27页 |
| 3.2.4 朴素贝叶斯分类器 | 第27-29页 |
| 3.3 基于整体和局部特征相融合的人体行为识别 | 第29-37页 |
| 3.3.1 MHI梯度方向特征提取 | 第29-31页 |
| 3.3.2 SIFT特征提取 | 第31-34页 |
| 3.3.3 Bag of Visual Word模型 | 第34-35页 |
| 3.3.4 SVM分类器 | 第35-37页 |
| 3.4 本章小结 | 第37-38页 |
| 4 基于Android客户端的监控报警系统 | 第38-44页 |
| 4.1 网络通信协议 | 第38页 |
| 4.2 Android客户端与服务器的通信 | 第38-40页 |
| 4.2.1 Socket通信 | 第39-40页 |
| 4.2.2 Http通信 | 第40页 |
| 4.3 Android客户端App的开发 | 第40-43页 |
| 4.3.1 客户端App界面设计 | 第41页 |
| 4.3.2 客户端App各模块功能 | 第41-42页 |
| 4.3.3 界面运行结果显示 | 第42-43页 |
| 4.4 本章小结 | 第43-44页 |
| 5 实验结果与分析 | 第44-52页 |
| 5.1 实验开发环境 | 第44页 |
| 5.2 人体行为识别数据库 | 第44-46页 |
| 5.2.1 常用的人体行为数据库 | 第44-46页 |
| 5.2.2 本文所建立的Behave数据库 | 第46页 |
| 5.3 实验设计与结果分析 | 第46-49页 |
| 5.4 移动客户端与服务器的通信实现 | 第49-51页 |
| 5.5 本章小结 | 第51-52页 |
| 6 总结与展望 | 第52-54页 |
| 6.1 全文总结 | 第52-53页 |
| 6.2 未来展望 | 第53-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 附录 | 第58页 |