摘要 | 第4-5页 |
ABSTRACT | 第5页 |
第一章 绪论 | 第8-13页 |
1.1 选题背景及意义 | 第8-10页 |
1.2 检测跟踪技术研究现状与发展趋势 | 第10-12页 |
1.3 本文主要工作及结构安排 | 第12-13页 |
第二章 Kinect传感器介绍 | 第13-20页 |
2.1 Kinect简介 | 第13-14页 |
2.2 Kinect工作原理 | 第14-15页 |
2.3 Kinect SDK及技术架构 | 第15-16页 |
2.4 Kinect数据流概述 | 第16-18页 |
2.4.1 彩色图像数据 | 第16-17页 |
2.4.2 用户分割数据 | 第17-18页 |
2.4.3 深度图像数据 | 第18页 |
2.5 Kinect骨骼跟踪 | 第18-19页 |
2.6 本章小结 | 第19-20页 |
第三章 基于深度图像的人体目标检测算法 | 第20-41页 |
3.1 预处理 | 第20-22页 |
3.1.1 平滑滤波 | 第20页 |
3.1.2 数学形态学滤波 | 第20-22页 |
3.2 传统的目标检测技术 | 第22-26页 |
3.2.1 图像差分法 | 第23-24页 |
3.2.2 光流法 | 第24-25页 |
3.2.3 背景减除法 | 第25-26页 |
3.3 混合高斯背景建模检测人体目标 | 第26-35页 |
3.3.1 单高斯背景模型 | 第27-28页 |
3.3.2 混合高斯背景模型 | 第28-30页 |
3.3.3 EM算法估计模型参数 | 第30-31页 |
3.3.4 模型初始化 | 第31-32页 |
3.3.5 模型匹配 | 第32-33页 |
3.3.6 模型更新 | 第33-35页 |
3.4 实验分析 | 第35-38页 |
3.5 混合高斯模型算法的改进 | 第38-40页 |
3.6 本章小结 | 第40-41页 |
第四章 基于深度图像的人体目标跟踪算法 | 第41-64页 |
4.1 传统的人体目标跟踪技术 | 第41-45页 |
4.1.1 粒子滤波算法 | 第42-43页 |
4.1.2 卡尔曼滤波算法 | 第43-45页 |
4.2 CamShift算法跟踪人体目标 | 第45-54页 |
4.2.1 Canny算子边缘检测 | 第46-48页 |
4.2.2 基于核函数直方图的CamShift算法 | 第48-50页 |
4.2.3 基于概率分布图的CamShift算法 | 第50-53页 |
4.2.4 实验分析 | 第53-54页 |
4.3 Snake算法跟踪人体目标 | 第54-61页 |
4.3.1 SUSAN算子初始化目标轮廓 | 第54-56页 |
4.3.2 Snake模型能量函数 | 第56-57页 |
4.3.3 能量最小解 | 第57-61页 |
4.4 人体目标三维坐标 | 第61-63页 |
4.5 本章小结 | 第63-64页 |
第五章 总结与展望 | 第64-66页 |
5.1 工作总结 | 第64-65页 |
5.2 展望 | 第65-66页 |
参考文献 | 第66-71页 |
发表论文和参加科研情况说明 | 第71-72页 |
致谢 | 第72-73页 |