基于超限学习机的人体跌倒行为视频检测算法研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 课题研究背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 论文的章节安排 | 第12-14页 |
| 2 视频跌倒检测的关键技术 | 第14-30页 |
| 2.1 人体运动目标的提取 | 第14-17页 |
| 2.1.1 背景模型的建立 | 第14-15页 |
| 2.1.2 参数更新 | 第15-17页 |
| 2.2 特征的提取与选择 | 第17-24页 |
| 2.2.1 跌倒的特征分析 | 第17-18页 |
| 2.2.2 特征的分类 | 第18-19页 |
| 2.2.3 特征提取 | 第19-24页 |
| 2.3 分类器的训练识别 | 第24-28页 |
| 2.3.1 单隐层神经网络 | 第25-27页 |
| 2.3.2 超限学习机 | 第27-28页 |
| 2.4 本章小结 | 第28-30页 |
| 3 基于参数优化的超限学习机分类模型 | 第30-38页 |
| 3.1 ELM的参数优化思想 | 第30-31页 |
| 3.2 基于参数优化的超限学习机分类模型 | 第31-34页 |
| 3.2.1 引力搜索算法 | 第31-33页 |
| 3.2.2 ELM参数的区间搜索优化 | 第33-34页 |
| 3.3 实验结果与分析 | 第34-37页 |
| 3.4 本章小结 | 第37-38页 |
| 4 基于聚类和参数优化ELM的跌倒检测算法 | 第38-52页 |
| 4.1 视频跌倒检测的基本原理 | 第38页 |
| 4.2 基于聚类的视频关键帧提取 | 第38-43页 |
| 4.2.1 提取视频关键帧 | 第39-41页 |
| 4.2.2 视频关键帧提取结果 | 第41-43页 |
| 4.3 基于聚类和参数优化ELM的跌倒检测算法 | 第43-45页 |
| 4.4 实验结果与分析 | 第45-50页 |
| 4.5 本章小结 | 第50-52页 |
| 5 总结与展望 | 第52-54页 |
| 5.1 总结 | 第52页 |
| 5.2 展望 | 第52-54页 |
| 参考文献 | 第54-60页 |
| 致谢 | 第60-62页 |
| 攻读硕士期间的学术成果 | 第62页 |
