室内监控对象的行为分析和图形虚拟
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-16页 |
| 1.1 课题研究的背景及意义 | 第9-12页 |
| 1.1.1 智能监控研究的背景及意义 | 第9-10页 |
| 1.1.2 行为分析的研究背景及意义 | 第10页 |
| 1.1.3 图形虚拟的研究背景及意义 | 第10-12页 |
| 1.2 国内外的研究现状 | 第12-13页 |
| 1.2.1 视频监控的研究现状 | 第12页 |
| 1.2.2 人体行为分析的研究现状 | 第12-13页 |
| 1.2.3 图形虚拟的研究现状 | 第13页 |
| 1.3 论文研究内容与结构 | 第13-16页 |
| 1.3.1 论文的研究内容 | 第13-14页 |
| 1.3.2 论文的章节结构 | 第14-16页 |
| 2 目标检测方法 | 第16-30页 |
| 2.1 常用的目标检测算法 | 第16-19页 |
| 2.1.1 累积差分法 | 第16-17页 |
| 2.1.2 光流法 | 第17-18页 |
| 2.1.3 背景差分法 | 第18-19页 |
| 2.2 背景建模 | 第19-20页 |
| 2.2.1 中值滤波方法 | 第19页 |
| 2.2.2 W4方法 | 第19页 |
| 2.2.3 基于码本的模型 | 第19-20页 |
| 2.2.4 隐马尔可夫模型 | 第20页 |
| 2.2.5 单高斯建模 | 第20页 |
| 2.2.6 混合高斯模型 | 第20页 |
| 2.3 混合高斯背景建模方法 | 第20-23页 |
| 2.3.1 初始化混合高斯模型参数 | 第21页 |
| 2.3.2 模型参数的更新 | 第21-22页 |
| 2.3.3 背景模型的选取 | 第22-23页 |
| 2.3.4 运动前景检测 | 第23页 |
| 2.4 混合高斯背景模型算法编程 | 第23-26页 |
| 2.5 背景差分法后续处理 | 第26-29页 |
| 2.5.1 轮廓平滑处理 | 第26-27页 |
| 2.5.2 阴影抑制处理 | 第27-29页 |
| 2.6 本章小结 | 第29-30页 |
| 3 人体识别与分析 | 第30-45页 |
| 3.1 常用的骨架提取算法 | 第30-34页 |
| 3.1.1 塞拉变换骨架提取算法 | 第30-32页 |
| 3.1.2 Zhang-suen骨架提取算法 | 第32-34页 |
| 3.2 参数化人体骨架模型 | 第34-40页 |
| 3.2.1 识别运动人体目标 | 第34-35页 |
| 3.2.2 定位人体关节点 | 第35-37页 |
| 3.2.3 建立骨架参数化模型 | 第37-40页 |
| 3.3 人体行为分析 | 第40-43页 |
| 3.4 实验结果及分析 | 第43-44页 |
| 3.5 本章小结 | 第44-45页 |
| 4 监控画面的图形虚拟 | 第45-56页 |
| 4.1 监控对象位置和运动方向角计算 | 第45-48页 |
| 4.1.1 监控对象平面定位 | 第45-47页 |
| 4.1.2 运动方向角计算 | 第47-48页 |
| 4.2 平面图形虚拟 | 第48-50页 |
| 4.3 三维图形虚拟 | 第50-55页 |
| 4.3.1 监控环境的三维建模 | 第51-53页 |
| 4.3.2 人物三维建模 | 第53-54页 |
| 4.3.3 监控画面三维图形虚拟 | 第54-55页 |
| 4.4 本章小结 | 第55-56页 |
| 5 总结与展望 | 第56-59页 |
| 5.1 总结 | 第56页 |
| 5.2 展望 | 第56-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63页 |
