基于视频的老年人异常行为识别方法研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 基于穿戴式设备的老年人异常行为识别 | 第10-11页 |
| 1.2.2 基于环境传感器的老年人异常行为识别 | 第11页 |
| 1.2.3 基于计算机视觉的老年人异常行为识别 | 第11-12页 |
| 1.3 本文主要内容及结构安排 | 第12-14页 |
| 1.3.1 主要研究内容 | 第12-13页 |
| 1.3.2 论文结构安排 | 第13-14页 |
| 第二章 动作特征提取 | 第14-24页 |
| 2.1 全局特征提取 | 第14-19页 |
| 2.1.1 全局形状特征 | 第14-16页 |
| 2.1.2 全局时空特征 | 第16-19页 |
| 2.2 局部时空特征提取 | 第19-23页 |
| 2.2.1 时空兴趣点检测 | 第19-21页 |
| 2.2.2 时空兴趣点特征描述子 | 第21-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第三章 栈式卷积ISA模型特征提取 | 第24-39页 |
| 3.1 独立子空间分析(ISA) | 第24-30页 |
| 3.1.1 ISA模型 | 第25-26页 |
| 3.1.2 学习算法 | 第26-28页 |
| 3.1.3 特征分析 | 第28-30页 |
| 3.1.3.1 第一层简单单元响应特征 | 第29页 |
| 3.1.3.2 第二层合并单元的响应特征 | 第29-30页 |
| 3.2 栈式卷积ISA模型 | 第30-32页 |
| 3.2.1 栈式网络结构 | 第31-32页 |
| 3.2.2 卷积神经网络 | 第32页 |
| 3.3 时空特征的提取 | 第32-33页 |
| 3.4 权值优化算法的改进 | 第33-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 异常行为识别 | 第39-48页 |
| 4.1 特征聚类 | 第39-42页 |
| 4.1.1 视觉词袋模型 | 第39-42页 |
| 4.2 支持向量机(SVM)行为分类识别 | 第42-47页 |
| 4.2.1 SVM模型 | 第42-46页 |
| 4.2.2 SVM多类分类 | 第46-47页 |
| 4.3 训练与测试过程 | 第47页 |
| 4.4 本章小结 | 第47-48页 |
| 第五章 系统设计与实验结果分析 | 第48-61页 |
| 5.1 数据样本采样 | 第49-52页 |
| 5.1.1 构建视频数据库 | 第49-51页 |
| 5.1.2 视频样本分割 | 第51-52页 |
| 5.2 样本数据预处理 | 第52-54页 |
| 5.2.1 数据归一化 | 第52页 |
| 5.2.2 数据白化 | 第52-54页 |
| 5.3 特征提取 | 第54-57页 |
| 5.3.1 模型训练过程 | 第54-55页 |
| 5.3.2 特征提取过程 | 第55-57页 |
| 5.3.2.1 特征提取的实验结果与分析 | 第56-57页 |
| 5.4 特征聚类 | 第57页 |
| 5.5 分类识别 | 第57-60页 |
| 5.5.1 行为识别的实验结果与分析 | 第59-60页 |
| 5.6 本章小结 | 第60-61页 |
| 第六章 总结与展望 | 第61-63页 |
| 6.1 工作总结 | 第61-62页 |
| 6.2 研究展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 攻读学位期间所取得的相关科研成果 | 第67-68页 |
| 致谢 | 第68页 |
