摘要 | 第5-6页 |
ABSTRACT | 第6-7页 |
符号对照表 | 第11-12页 |
缩略语对照表 | 第12-16页 |
第一章 绪论 | 第16-22页 |
1.1 研究背景和意义 | 第16-18页 |
1.2 摔倒检测技术的发展综述 | 第18-21页 |
1.2.1 基于可穿戴设备的摔倒检测技术发展现状 | 第18-19页 |
1.2.2 基于场景设备的摔倒检测技术发展现状 | 第19-20页 |
1.2.3 基于视觉的摔倒检测技术发展现状 | 第20-21页 |
1.3 本文主要工作及结构安排 | 第21-22页 |
第二章 运动目标检测 | 第22-44页 |
2.1 概述 | 第22页 |
2.2 常用运动目标检测算法 | 第22-26页 |
2.2.1 帧差法 | 第22-23页 |
2.2.2 光流法 | 第23-25页 |
2.2.3 机器学习法 | 第25页 |
2.2.4 背景减除法 | 第25-26页 |
2.3 ViBe算法介绍 | 第26-29页 |
2.3.1 背景模型初始化 | 第27-28页 |
2.3.2 前景检测 | 第28-29页 |
2.3.3 背景模型更新 | 第29页 |
2.4 基于Lab色彩空间和Vi Be改进的运动目标检测 | 第29-35页 |
2.4.1 Lab色彩空间和阴影关系 | 第30-33页 |
2.4.2 改进的运动目标检测算法 | 第33-35页 |
2.5 实验结果与分析 | 第35-42页 |
2.5.1 改进的ViBe算法效果 | 第36-38页 |
2.5.2 改进的ViBe算法和三种传统的算法对比 | 第38-42页 |
2.6 本章小结 | 第42-44页 |
第三章 运动目标跟踪 | 第44-60页 |
3.1 概述 | 第44页 |
3.2 目标跟踪算法分类 | 第44-46页 |
3.2.1 基于主动轮廓的目标跟踪 | 第44-45页 |
3.2.2 基于特征的目标跟踪 | 第45页 |
3.2.3 基于模型的目标跟踪 | 第45-46页 |
3.3 卡尔曼滤波的运动目标跟踪算法 | 第46-50页 |
3.3.1 卡尔曼滤波简介 | 第46页 |
3.3.2 卡尔曼滤波算法原理 | 第46-47页 |
3.3.3 计算原型 | 第47-48页 |
3.3.4 卡尔曼滤波递推公式 | 第48-49页 |
3.3.5 卡尔曼滤波运动目标跟踪 | 第49-50页 |
3.4 基于卡尔曼滤波改进的目标跟踪算法 | 第50-56页 |
3.4.1 卡尔曼参数定义 | 第51-53页 |
3.4.2 颜色直方图计算 | 第53-54页 |
3.4.3 改进算法的实现 | 第54-56页 |
3.5 实验结果与分析 | 第56-59页 |
3.5.1 单目标跟踪效果 | 第56-58页 |
3.5.2 多目标跟踪效果 | 第58-59页 |
3.6 本章小结 | 第59-60页 |
第四章 人体特征提取 | 第60-72页 |
4.1 常用人体行为特征提取 | 第60-70页 |
4.1.1 人体宽高比 | 第60-61页 |
4.1.2 有效面积比 | 第61-62页 |
4.1.3 中心变化率 | 第62-63页 |
4.1.4 HOG特征 | 第63-67页 |
4.1.5 Hu不变矩 | 第67-69页 |
4.1.6 人体主轴与水平夹角 | 第69-70页 |
4.2 特征融合 | 第70页 |
4.3 本章小结 | 第70-72页 |
第五章 基于SVM改进的摔倒检测算法 | 第72-84页 |
5.1 支持向量机(SVM) | 第72-78页 |
5.1.1 线性可分支持向量机 | 第72-75页 |
5.1.2 近线性可分支持向量机 | 第75-76页 |
5.1.3 非线性可分支持向量机 | 第76-78页 |
5.2 基于SVM改进的摔倒检测算法 | 第78-79页 |
5.2.1 模型训练 | 第79页 |
5.2.2 在线检测摔倒 | 第79页 |
5.3 实验结果与分析 | 第79-83页 |
5.3.1 摔倒行为的主观评价 | 第80-81页 |
5.3.2 摔倒行为的客观评价 | 第81-83页 |
5.4 本章小结 | 第83-84页 |
第六章 总结与展望 | 第84-86页 |
6.1 工作总结 | 第84页 |
6.2 未来展望 | 第84-86页 |
参考文献 | 第86-90页 |
致谢 | 第90-92页 |
作者简介 | 第92-93页 |