基于Kinect的人体跌倒检测算法研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 专用术语注释表 | 第8-9页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景 | 第9页 |
| 1.2 研究意义 | 第9-10页 |
| 1.3 跌倒检测研究现状 | 第10-12页 |
| 1.4 本文内容以及组织结构 | 第12-14页 |
| 1.4.1 本文主要研究内容 | 第12页 |
| 1.4.2 本文组织结构 | 第12-14页 |
| 第二章 相关背景知识介绍 | 第14-26页 |
| 2.1 跌倒动作发生与分类 | 第14页 |
| 2.2 基于摄像头与传感器跌倒检测方法 | 第14-20页 |
| 2.2.1 基于摄像头跌倒检测方法 | 第14-16页 |
| 2.2.2 基于可穿戴传感器跌倒检测方法 | 第16-17页 |
| 2.2.3 基于人体时空特征机器学习分类方法 | 第17-20页 |
| 2.3 Kinect摄像头简介 | 第20-23页 |
| 2.3.1 Kinect相关背景介绍 | 第20-21页 |
| 2.3.2 Kinect应用领域介绍 | 第21-22页 |
| 2.3.3 Kinect人体骨骼节点获取 | 第22-23页 |
| 2.4 人体跌倒检测数据集介绍 | 第23-24页 |
| 2.5 本章小结 | 第24-26页 |
| 第三章 基于Kinect人体跌倒检测方法 | 第26-40页 |
| 3.1 跌倒检测数据集 | 第26页 |
| 3.2 数据集可视化 | 第26-27页 |
| 3.3 人体骨骼节点高度特征提取 | 第27-29页 |
| 3.3.1 地平面方程的确定 | 第27-28页 |
| 3.3.2 骨骼节点距离地面高度计算 | 第28-29页 |
| 3.4 基于骨骼数据加速度值计算 | 第29-32页 |
| 3.5 人体骨骼节点空间坐标特征 | 第32-33页 |
| 3.6 静态姿势特征序列 | 第33-34页 |
| 3.7 分类器介绍 | 第34-36页 |
| 3.8 实验流程 | 第36-37页 |
| 3.9 实验结果 | 第37-39页 |
| 3.10 本章小结 | 第39-40页 |
| 第四章 骨骼节点距离特征加权 | 第40-50页 |
| 4.1 信息性骨骼节点 | 第40-42页 |
| 4.2 基于K-means骨骼点心距离标准差特征 | 第42-46页 |
| 4.2.1 特征序列加权 | 第42-45页 |
| 4.2.2 骨骼节点序列特征 | 第45-46页 |
| 4.3 实验结果对比 | 第46-49页 |
| 4.3.1 节点序号莱氏距离方法 | 第46-47页 |
| 4.3.2 滑动窗口标准差加权方法 | 第47-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第五章 总结与展望 | 第50-52页 |
| 5.1 全文总结 | 第50页 |
| 5.2 未来展望 | 第50-52页 |
| 参考文献 | 第52-55页 |
| 附录1 程序清单 | 第55-56页 |
| 附录2 攻读硕士学位期间申请的专利 | 第56-57页 |
| 致谢 | 第57页 |
