| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-23页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.2 行为识别关键技术研究现状 | 第11-19页 |
| 1.2.1 人体行为特征提取与表达研究现状 | 第11-16页 |
| 1.2.2 人体行为分类识别算法研究现状 | 第16-18页 |
| 1.2.3 基于Kinect行为识别现状 | 第18-19页 |
| 1.3 智能监护系统研究现状 | 第19页 |
| 1.4 本文主要研究内容 | 第19-20页 |
| 1.5 本文组织结构安排 | 第20-23页 |
| 第2章 KINECT平台概述 | 第23-35页 |
| 2.1 Kinect概述 | 第23-27页 |
| 2.1.1 Kinect硬件平台 | 第23-24页 |
| 2.1.2 Kinect软件系统 | 第24-27页 |
| 2.2 Kinect成像原理 | 第27-29页 |
| 2.3 Kinect数据采集 | 第29-34页 |
| 2.3.1 获取彩色图像 | 第29-30页 |
| 2.3.2 获取深度图像 | 第30-31页 |
| 2.3.3 获取人体关节点信息获取 | 第31-34页 |
| 2.4 本章小结 | 第34-35页 |
| 第3章 人体行为特征提取与表达的研究与改进 | 第35-49页 |
| 3.1 深度图像预处理 | 第35-37页 |
| 3.1.1 深度阈值分割 | 第35-36页 |
| 3.1.2 深度中值滤波 | 第36-37页 |
| 3.2 基于图像的特征提取与表达 | 第37-43页 |
| 3.2.1 序列图像预处理 | 第37-38页 |
| 3.2.2 基于RGB图像的HOG特征 | 第38-41页 |
| 3.2.3 改进的基于深度图像的PHOD特征 | 第41-43页 |
| 3.3 基于Kinect关节点信息行为表达方法的提出 | 第43-48页 |
| 3.3.1 行为特征的构造 | 第43-46页 |
| 3.3.2 行为表示 | 第46-47页 |
| 3.3.3 可行性验证与分析 | 第47-48页 |
| 3.4 本章小结 | 第48-49页 |
| 第4章 行为分类识别方法研究与优化 | 第49-67页 |
| 4.1 数据预处理及优化 | 第49-54页 |
| 4.1.1 主成分分析法的引入 | 第49-51页 |
| 4.1.2 改进的基于PCA的加权数据处理方法 | 第51-53页 |
| 4.1.3 基于三类特征加权特征融合策略 | 第53-54页 |
| 4.2 基于支持向量机的行为识别研究 | 第54-59页 |
| 4.2.1 SVM分类器 | 第54-57页 |
| 4.2.2 基于SVM的多分类行为识别策略 | 第57-59页 |
| 4.3 实验过程与结果分析 | 第59-66页 |
| 4.3.1 数据集介绍 | 第59-61页 |
| 4.3.2 实验描述 | 第61-62页 |
| 4.3.3 实验结果与分析 | 第62-66页 |
| 4.4 本章小结 | 第66-67页 |
| 第5章 基于KINECT行为识别技术的智能监护系统设计与实现 | 第67-75页 |
| 5.1 系统描述 | 第67-69页 |
| 5.1.1 系统需求分析 | 第67页 |
| 5.1.2 系统软硬件应用环境 | 第67-69页 |
| 5.2 系统设计 | 第69-70页 |
| 5.2.1 系统总体架构 | 第69页 |
| 5.2.2 系统功能模块设计 | 第69-70页 |
| 5.3 系统实现 | 第70-72页 |
| 5.4 系统应用效果分析 | 第72-74页 |
| 5.5 本章小结 | 第74-75页 |
| 结论 | 第75-77页 |
| 参考文献 | 第77-83页 |
| 攻读硕士学位期间取得的研究成果 | 第83-85页 |
| 致谢 | 第85页 |