基于动作特征的视频监控网络行人识别算法
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 课题背景与研究意义 | 第11-14页 |
| 1.1.1 视频监控技术的重要作用 | 第11页 |
| 1.1.2 视频监控行业发展现状 | 第11-12页 |
| 1.1.3 视频监控系统追踪任务问题描述 | 第12-13页 |
| 1.1.4 课题研究意义 | 第13-14页 |
| 1.2 论文所涉及技术研究现状 | 第14-18页 |
| 1.2.1 基于图像特征重识别的研究 | 第14-15页 |
| 1.2.2 基于动作特征重识别的研究 | 第15-18页 |
| 1.3 本文研究内容及章节安排 | 第18-21页 |
| 1.3.1 研究内容 | 第19页 |
| 1.3.2 章节安排 | 第19-21页 |
| 第二章 视频监控系统组成与视频图像预处理 | 第21-33页 |
| 2.1 引言 | 第21页 |
| 2.2 系统组成与算法框架 | 第21-24页 |
| 2.2.1 视频监控系统组成 | 第21-23页 |
| 2.2.2 重识别算法框架 | 第23-24页 |
| 2.3 视频图像预处理 | 第24-32页 |
| 2.3.1 背景减除算法 | 第24-28页 |
| 2.3.2 轮廓区域优化 | 第28-29页 |
| 2.3.3 人体区域的缩放与对齐 | 第29-31页 |
| 2.3.4 步态周期的提取 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 基于光流信息的步态特征 | 第33-59页 |
| 3.1 引言 | 第33-34页 |
| 3.2 现有步态特征提取算法 | 第34-35页 |
| 3.3 步态光流计算 | 第35-46页 |
| 3.3.1 光流简介 | 第35-38页 |
| 3.3.2 基于区域分割和参数运动模型的光流算法 | 第38-46页 |
| 3.4 特征提取 | 第46-47页 |
| 3.5 特征降维 | 第47-53页 |
| 3.5.1 主成分分析 | 第47-50页 |
| 3.5.2 线性判别分析 | 第50-53页 |
| 3.6 多视角问题 | 第53-54页 |
| 3.7 算法验证 | 第54-57页 |
| 3.7.1 实验设计 | 第54-55页 |
| 3.7.2 实验结果及分析 | 第55-57页 |
| 3.8 本章小结 | 第57-59页 |
| 第四章 基于关节点信息的步态特征 | 第59-83页 |
| 4.1 引言 | 第59-60页 |
| 4.2 关节点提取 | 第60-67页 |
| 4.3 特征提取 | 第67-72页 |
| 4.3.1 多项式曲线拟合 | 第67-68页 |
| 4.3.2 频域分析 | 第68页 |
| 4.3.3 隐马尔可夫模型 | 第68-70页 |
| 4.3.4 动态时间规整 | 第70-72页 |
| 4.4 度量学习 | 第72-73页 |
| 4.5 算法验证 | 第73-81页 |
| 4.5.1 实验设计 | 第77页 |
| 4.5.2 实验结果及分析 | 第77-81页 |
| 4.6 本章小结 | 第81-83页 |
| 第五章 总结与展望 | 第83-85页 |
| 5.1 论文总结 | 第83-84页 |
| 5.2 研究展望 | 第84-85页 |
| 参考文献 | 第85-89页 |
| 作者简介 | 第89页 |
| 攻读硕士学位期间发表的论文 | 第89页 |
