基于Kinect和智能手机的人体跌倒检测系统
| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第14-18页 |
| 1.1 课题研究的背景 | 第14-15页 |
| 1.2 课题研究目的和意义 | 第15-17页 |
| 1.3 本文的研究内容及组织结构 | 第17-18页 |
| 第二章 跌倒检测系统的国内外现状 | 第18-24页 |
| 2.1 基于可穿戴设备的跌倒检测系统 | 第18-20页 |
| 2.2 基于环境布设的跌倒检测系统 | 第20-22页 |
| 2.3 基于计算机视觉监控的跌倒监测系统 | 第22页 |
| 2.4 本文主要内容 | 第22-24页 |
| 第三章 基于跌倒监控的图像处理算法 | 第24-38页 |
| 3.1 Kinect摄像头简介 | 第24-26页 |
| 3.1.1 Kinect的结构组成 | 第24-25页 |
| 3.1.2 Kinect的深度摄像头 | 第25-26页 |
| 3.1.3 Kinect的应用领域 | 第26页 |
| 3.2 人体运动行为识别技术 | 第26-29页 |
| 3.2.1 人体运动行为数据库的建立 | 第28-29页 |
| 3.3 深度图像运动特征提取 | 第29-32页 |
| 3.3.1 计算4维表面法向量 | 第29-30页 |
| 3.3.2 投影矢量的初始化及细化 | 第30-31页 |
| 3.3.3 统计表面法向量的分布 | 第31-32页 |
| 3.4 机器学习算法 | 第32-38页 |
| 3.4.1 支持向量机的介绍 | 第33-36页 |
| 3.4.2 随机森林分类器的介绍 | 第36-37页 |
| 3.4.3 两种分类算法的比较 | 第37-38页 |
| 第四章 系统设计 | 第38-53页 |
| 4.1 系统总体设计 | 第38-39页 |
| 4.2 HON4D+图像处理算法 | 第39-43页 |
| 4.3 三轴加速度传感器的数据获取 | 第43-47页 |
| 4.4 跌倒信息的判断 | 第47-48页 |
| 4.5 手机客户端的设计 | 第48-50页 |
| 4.6 基于TCP/IP协议的Socket通信 | 第50-53页 |
| 第五章 实验与结果分析 | 第53-61页 |
| 5.1 HON4D和HON4D+时间效率分析 | 第53-54页 |
| 5.2 三种跌倒检测方法的准确率分析 | 第54-61页 |
| 5.2.1 实验方法 | 第54-55页 |
| 5.2.2 结果和分析 | 第55-61页 |
| 第六章 总结和展望 | 第61-63页 |
| 6.1 全文总结 | 第61-62页 |
| 6.2 展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间的发表论文情况 | 第67页 |
