| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第12-13页 |
| 缩略语对照表 | 第13-17页 |
| 第一章 绪论 | 第17-23页 |
| 1.1 研究背景及意义 | 第17-18页 |
| 1.2 研究现状及难点分析 | 第18-20页 |
| 1.2.1 研究现状 | 第18-19页 |
| 1.2.2 研究难点分析 | 第19-20页 |
| 1.3 本文主要工作及结构安排 | 第20-23页 |
| 1.3.1 本文主要工作 | 第20-21页 |
| 1.3.2 本文结构安排 | 第21-23页 |
| 第二章 人体行为识别概述 | 第23-31页 |
| 2.1 常用的运动人体检测算法 | 第23-26页 |
| 2.1.1 光流法 | 第23-24页 |
| 2.1.2 帧间差分法 | 第24-25页 |
| 2.1.3 背景减除法 | 第25-26页 |
| 2.1.4 特征匹配法 | 第26页 |
| 2.2 常用人体行为特征提取方法 | 第26-28页 |
| 2.2.1 基于剪影轮廓特征 | 第26-27页 |
| 2.2.2 基于动态描述特征 | 第27页 |
| 2.2.3 基于时空描述特征 | 第27-28页 |
| 2.3 常用人体行为分类方法 | 第28-29页 |
| 2.3.1 直接分类法 | 第28页 |
| 2.3.2 概率网络法 | 第28页 |
| 2.3.3 模版匹配法 | 第28-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第三章 基于改进ViBE算法的运动人体检测分割 | 第31-43页 |
| 3.1 ViBE算法简介 | 第31-33页 |
| 3.1.1 背景模型初始化 | 第32页 |
| 3.1.2 前景检测 | 第32-33页 |
| 3.1.3 背景更新 | 第33页 |
| 3.2 去除阴影的改进的ViBE算法 | 第33-38页 |
| 3.2.1 HSV颜色空间 | 第34-36页 |
| 3.2.2 基于HSV颜色空间的去除阴影的ViBE算法 | 第36-38页 |
| 3.3 实验结果及分析 | 第38-42页 |
| 3.3.1 ViBE算法与传统前景提取算法比较 | 第39-41页 |
| 3.3.2 改进的ViBE算法去除阴影效果验证 | 第41-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第四章 基于多特征融合的异常行为特征提取 | 第43-65页 |
| 4.1 人体剪影特征 | 第43-46页 |
| 4.1.1 人体高宽比 | 第43-44页 |
| 4.1.2 中心变化率 | 第44-45页 |
| 4.1.3 有效面积比 | 第45-46页 |
| 4.2 全局特征——Hu距 | 第46-47页 |
| 4.3 局部特征——SURF | 第47-63页 |
| 4.3.1 SIFT特征 | 第48-56页 |
| 4.3.2 SURF特征 | 第56-63页 |
| 4.4 多特征融合 | 第63页 |
| 4.5 本章小结 | 第63-65页 |
| 第五章 人体行为分类 | 第65-77页 |
| 5.1 支持向量机 | 第65-72页 |
| 5.1.1 线性可分支持向量机 | 第65-69页 |
| 5.1.2 近线性可分支持向量机 | 第69-70页 |
| 5.1.3 非线性可分支持向量机 | 第70-71页 |
| 5.1.4 核函数 | 第71-72页 |
| 5.2 实验分析及比较 | 第72-76页 |
| 5.2.1 单特征与融合特征分类效果比较与分析 | 第73-75页 |
| 5.2.2 支持向量机与其他分类算法比较与分析 | 第75-76页 |
| 5.3 本章小结 | 第76-77页 |
| 第六章 总结与展望 | 第77-79页 |
| 6.1 全文总结 | 第77页 |
| 6.2 工作展望 | 第77-79页 |
| 参考文献 | 第79-83页 |
| 致谢 | 第83-85页 |
| 作者简介 | 第85-86页 |