视频中的人体目标检测及其行为识别研究
| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9页 |
| 1.2 国内外研究现状及主要方法 | 第9-13页 |
| 1.2.1 行人检测 | 第9-11页 |
| 1.2.2 行人追踪 | 第11-12页 |
| 1.2.3 行为识别 | 第12-13页 |
| 1.3 论文主要内容与结构安排 | 第13-15页 |
| 第2章 基于三维椭圆编码本模型的前景分割 | 第15-23页 |
| 2.1 三维椭圆编码本 | 第15-17页 |
| 2.1.1 三维椭圆编码本定义 | 第15-16页 |
| 2.1.2 三维椭圆模型编码本的参数选择 | 第16-17页 |
| 2.1.3 判别像素的颜色位置 | 第17页 |
| 2.2 背景模型的训练和更新 | 第17-18页 |
| 2.3 前景背景分割 | 第18页 |
| 2.4 实验分析 | 第18-21页 |
| 2.4.1 对视频中较暗区域分割效果的实验 | 第18-19页 |
| 2.4.2 模型参数调节克服前景阴影干扰的实验 | 第19-20页 |
| 2.4.3 对准周期性运动的背景下的目标分割实验 | 第20-21页 |
| 2.5 本章小结 | 第21-23页 |
| 第3章 复杂环境下的人群分割 | 第23-33页 |
| 3.1 贝叶斯公式 | 第23-26页 |
| 3.1.1 转换分割问题 | 第23-24页 |
| 3.1.2 行人模型 | 第24页 |
| 3.1.3 分割模型的先验概率 | 第24-25页 |
| 3.1.4 前景域的条件概率 | 第25-26页 |
| 3.2 计算最大后验概率 | 第26-28页 |
| 3.2.1 检测行人头部位置 | 第26-28页 |
| 3.2.2 搜索最大后验概率 | 第28页 |
| 3.3 实验结果与分析 | 第28-31页 |
| 3.4 本章小结 | 第31-33页 |
| 第4章 基于卡尔曼滤波的目标追踪 | 第33-42页 |
| 4.1 基于颜色梯度方向直方图的行人建模 | 第33-34页 |
| 4.2 卡尔曼滤波 | 第34-37页 |
| 4.2.1 卡尔曼滤波基本内容 | 第34-35页 |
| 4.2.2 行人位置预测 | 第35-37页 |
| 4.3 行人目标定位 | 第37-38页 |
| 4.3.1 行人模型匹配 | 第37页 |
| 4.3.2 行人状态 | 第37-38页 |
| 4.4 实验结果与分析 | 第38-40页 |
| 4.5 本章小结 | 第40-42页 |
| 第5章 基于时空特征点的人体行为识别 | 第42-51页 |
| 5.1 引言 | 第42-43页 |
| 5.2 提取时空特征点 | 第43页 |
| 5.3 建立时空特征点的描述符 | 第43-44页 |
| 5.4 时空特征点描述符的聚类与建模 | 第44-47页 |
| 5.4.1 EM算法 | 第44-45页 |
| 5.4.2 混合高斯模型 | 第45-46页 |
| 5.4.3 基于EM估计的描述符建模 | 第46-47页 |
| 5.5 建立人体行为模板 | 第47页 |
| 5.6 行为匹配 | 第47-48页 |
| 5.7 实验与分析 | 第48-50页 |
| 5.8 本章小结 | 第50-51页 |
| 总结与展望 | 第51-53页 |
| 参考文献 | 第53-58页 |
| 致谢 | 第58-59页 |
| 攻读硕士期间发表的论文 | 第59-60页 |
