| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 基于可穿戴设备的跌倒检测技术 | 第9-10页 |
| 1.2.2 基于计算机视觉的跌倒检测技术 | 第10-11页 |
| 1.3 主要任务与目标 | 第11页 |
| 1.4 论文结构安排 | 第11-13页 |
| 第二章 相关理论基础 | 第13-24页 |
| 2.1 引言 | 第13页 |
| 2.2 神经网络人工轻量化方法 | 第13-19页 |
| 2.2.1 卷积核设计 | 第13-15页 |
| 2.2.2 网络架构设计 | 第15-19页 |
| 2.3 神经网络自动轻量化方法 | 第19-22页 |
| 2.3.1 NAS初始构建法 | 第19-21页 |
| 2.3.2 Auto ML模型压缩法 | 第21-22页 |
| 2.4 本章小结 | 第22-24页 |
| 第三章 基于改进GMM的人形轮廓分析提取算法 | 第24-38页 |
| 3.1 基于改进GMM的前景快速提取方法 | 第24-28页 |
| 3.1.1 高斯混合模型介绍 | 第24-25页 |
| 3.1.2 图像灰度化 | 第25页 |
| 3.1.3 背景训练 | 第25页 |
| 3.1.4 前景提取 | 第25-26页 |
| 3.1.5 背景更新 | 第26页 |
| 3.1.6 形态学处理 | 第26-27页 |
| 3.1.7 模型快速移植加载机制 | 第27-28页 |
| 3.2 人形轮廓初始提取 | 第28-30页 |
| 3.3 人形轮廓后续提取 | 第30-33页 |
| 3.3.1 人形轮廓的最小外接矩形 | 第30-32页 |
| 3.3.2 基于交并比与重心距离的轮廓跟踪法 | 第32-33页 |
| 3.4 实验验证 | 第33-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第四章 基于双流卷积神经网络的跌倒行为分析检测算法 | 第38-51页 |
| 4.1 MHI信息获取 | 第38-40页 |
| 4.1.1 运动历史图 | 第38-39页 |
| 4.1.2 基于MHI的运动方向提取 | 第39-40页 |
| 4.2 双流卷积神经网络模型 | 第40-42页 |
| 4.2.1 双流网络架构描述 | 第41页 |
| 4.2.2 融合判断 | 第41-42页 |
| 4.3 模型改进与优化 | 第42-44页 |
| 4.4 实验结果验证 | 第44-50页 |
| 4.4.1 数据集介绍 | 第44-45页 |
| 4.4.2 性能指标 | 第45-46页 |
| 4.4.3 性能测试 | 第46-50页 |
| 4.5 本章小结 | 第50-51页 |
| 第五章 面向家居场景的跌倒行为分析系统 | 第51-59页 |
| 5.1 需求分析 | 第51-52页 |
| 5.2 系统架构 | 第52页 |
| 5.3 系统实现 | 第52-57页 |
| 5.3.1 数据集预处理模块 | 第54页 |
| 5.3.2 跌倒识别模块 | 第54-56页 |
| 5.3.3 报警求救模块 | 第56-57页 |
| 5.4 系统测试 | 第57-58页 |
| 5.5 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 本文总结 | 第59-60页 |
| 6.2 未来展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 附录1 攻读硕士学位期间申请的专利 | 第64-65页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第65-66页 |
| 致谢 | 第66页 |