| 目录 | 第4-6页 |
| CONTENTS | 第6-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 人体跌倒检测现状研究 | 第12-17页 |
| 1.2.1 基于穿戴式传感器的人体跌倒检测 | 第13-14页 |
| 1.2.2 基于环境布设传感器的人体跌倒检测 | 第14-16页 |
| 1.2.3 基于计算机视觉的人体跌倒检测 | 第16-17页 |
| 1.3 基于视觉信息的人体跌倒检测算法存在的问题 | 第17-18页 |
| 1.4 本文主要工作 | 第18页 |
| 1.5 章节安排 | 第18-21页 |
| 第二章 基于视觉信息的人体跌倒检测算法 | 第21-29页 |
| 2.1 基于时空特征的人体形状建模实现人体跌倒检测 | 第21-22页 |
| 2.2 基于人体形状静止/变化的人体跌倒检测 | 第22-24页 |
| 2.3 基于姿势的人体跌倒检测 | 第24-25页 |
| 2.4 基于头部三维位置分析的人体跌倒检测 | 第25-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 利用Kinect实现人体跌倒检测算法 | 第29-47页 |
| 3.1 Kinect摄像头简介 | 第29-32页 |
| 3.1.1 Kinect的结构组成 | 第29-30页 |
| 3.1.2 Kinect SDK简介及技术架构 | 第30-32页 |
| 3.1.3 Kinect应用领域 | 第32页 |
| 3.2 基于深度图像的人体跌倒检测 | 第32-41页 |
| 3.2.1 曲率尺度空间特征 | 第33-38页 |
| 3.2.2 视频行为的词包模型表示 | 第38-40页 |
| 3.2.3 极速学习机进行人体跌倒检测 | 第40-41页 |
| 3.3 实验结果 | 第41-45页 |
| 3.3.1 数据集和实验设置 | 第41-42页 |
| 3.3.2 算法性能和分析 | 第42-44页 |
| 3.3.3 参数影响 | 第44-45页 |
| 3.4 本章小结 | 第45-47页 |
| 第四章 基于多部件模型的人体跌倒检测算法 | 第47-69页 |
| 4.1 部件描述子 | 第47-50页 |
| 4.1.1 颜色描述子 | 第47-48页 |
| 4.1.2 梯度方向描述子 | 第48-50页 |
| 4.2 多部件模型 | 第50-51页 |
| 4.3 基于多部件模型的人体跌倒检测算法 | 第51-62页 |
| 4.3.1 基于多部件模型的人体表示 | 第51-58页 |
| 4.3.2 人体跌倒检测特征提取 | 第58-61页 |
| 4.3.3 人体动作分类进行人体跌倒检测 | 第61-62页 |
| 4.4 实验结果与分析 | 第62-67页 |
| 4.4.1 数据集和实验设置 | 第62-64页 |
| 4.4.2 实验结果 | 第64-67页 |
| 4.5 本章小结 | 第67-69页 |
| 第五章 总结和展望 | 第69-71页 |
| 5.1 全文总结 | 第69-70页 |
| 5.2 展望 | 第70-71页 |
| 参考文献 | 第71-79页 |
| 致谢 | 第79-80页 |
| 攻读硕士学位期间的学术成果 | 第80-81页 |
| 学位论文评阅及答辩情况表 | 第81页 |