基于三维人体姿态估计的老人跌倒检测
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第11-15页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 本文主要研究内容 | 第12-13页 |
| 1.3 论文创新点 | 第13-14页 |
| 1.4 论文组织结构 | 第14-15页 |
| 2 国内外研究现状综述 | 第15-20页 |
| 2.1 基于穿戴式设备的跌倒检测研究现状 | 第15-17页 |
| 2.2 基于场景式设备的跌倒检测研究现状 | 第17页 |
| 2.3 基于视觉信息的跌倒检测研究现状 | 第17-19页 |
| 2.4 本章小结 | 第19-20页 |
| 3 基于查询优化的三维人体姿态估计 | 第20-47页 |
| 3.1 三维人体姿态估计系统框架 | 第20-21页 |
| 3.2 二维人体姿态提取 | 第21-24页 |
| 3.2.1 卷积神经网络结构 | 第21-22页 |
| 3.2.2 置信图 | 第22-24页 |
| 3.3 图像描述子的生成 | 第24-28页 |
| 3.4 三维姿态数据预处理 | 第28-31页 |
| 3.4.1 数据集 | 第28-30页 |
| 3.4.2 构建字典集 | 第30-31页 |
| 3.5 三维姿态查询 | 第31-35页 |
| 3.6 三维姿态优化 | 第35-40页 |
| 3.6.1 三维姿态数据降维 | 第36-37页 |
| 3.6.2 高斯牛顿法优化 | 第37-40页 |
| 3.7 实验结果和分析 | 第40-46页 |
| 3.7.1 Human3.6M数据集上的实验结果 | 第40-42页 |
| 3.7.2 UR-FDD数据集上的实验结果 | 第42页 |
| 3.7.3 Ablation Study | 第42-46页 |
| 3.8 本章小结 | 第46-47页 |
| 4 基于树状LSTM网络的跌倒检测 | 第47-56页 |
| 4.1 LSTM网络基础结构 | 第47-49页 |
| 4.2 树形结构LSTM网络结构 | 第49-53页 |
| 4.3 实验结果和分析 | 第53-55页 |
| 4.4 本章小结 | 第55-56页 |
| 5 总结与展望 | 第56-58页 |
| 5.1 论文总结 | 第56页 |
| 5.2 未来展望 | 第56-58页 |
| 参考文献 | 第58-64页 |
| 致谢 | 第64-65页 |
| 附录A | 第65-67页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第67页 |
