声明
致谢
1绪论
1.1研究背景和意义
1.2.1 矿工不安全行为的定义
1.2.2 矿工不安全行为研究现状与评述
1.3.1论文研究的主要内容
1.3.2 论文研究框架
1.3.3 论文结构安排
2 研究关键技术介绍
2.1行为识别技术对比与评述
2.2基于三维骨骼点的行为识别方法
2.3微软Kinect传感器介绍
2.3.1 Kinect基础功能及其SDK
2.3.2 Kinect骨骼关节点感知原理
2.3.3 Kinec传感器信息获取方式
2.4集成学习算法
2.5 本章小结
3 基于三维骨骼点信息的矿工行为表示方法
3.1 矿工行为多层次互补特征
3.1.1 运动姿态相对位置特征提取
3.1.2 运动姿态角度特征提取
3.1.3 运动姿态帧间位移特征提取
3.1.4 矿工姿态特征标准化处理
3.2基于随机森林的姿态特征量重要性评估算法
3.2.1 特征选择介绍
3.2.2 基于随机森林的矿工姿态特征重要性评估算法
3.3矿工行为关键帧序列搜索算法
3.4 本章小结
4 基于集成学习算法的矿工行为识别模型
4.1 基于加权平均投票的集成学习算法
4.2 基于加权平均投票算法的矿工行为识别建模与实验
4.2.1 矿工行为数据采集
4.2.2 矿工行为特征量重要性评估实验
4.2.3 实验评价方法与标准
4.2.4 成员分类器选择
4.2.5 基于加权平均投票算法的矿工行为识别模型
4.2.6 基于加权平均投票算法的矿工行为识别实验
4.3基于交叉验证的Stacking算法
4.4基于Stacking算法的矿工行为识别建模与实验
4.5皮带运输机区域矿工不安全行为判识模型
4.5.1Mask R-CNN卷积网络介绍
4.5.2Mask R-CNN卷积网络环境搭建
4.5.3 基于Kinect的骨骼关节点坐标映射模型
4.5.4 矿井皮带运输机区域矿工不安全行为判识模型
4.6 本章小结
5 基于多重Stacking算法的行为识别模型
5.1多重Stacking算法一般模型
5.2最佳学习层搜索算法
5.3多重Stacking算法建模与实验
5.3.1 基于矿工行为数据集的实验结果分析
5.3.2 基于UTKinect数据集实验结果分析
5.3.3 基于Florence数据集实验结果分析
5.4 本章小结
6 总结与展望
6.1 总结
6.2 展望
参考文献
作者简历
学位论文原创性声明
学位论文数据集