| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第一章 绪论 | 第9-14页 |
| ·人体动作识别的研究背景及意义 | 第9-10页 |
| ·人体动作识别的主要方法 | 第10-13页 |
| ·运动过程描述方法 | 第10页 |
| ·人体动作识别的分类方法 | 第10-13页 |
| ·本文的主要工作和内容安排 | 第13-14页 |
| ·本文的主要工作 | 第13页 |
| ·本文的内容安排 | 第13-14页 |
| 第二章 相关工作基础 | 第14-19页 |
| ·基于时空兴趣点的人体动作识别框架 | 第14-15页 |
| ·基于RGB-D数据的人体动作识别 | 第15-17页 |
| ·基于―多视角‖的人体动作识别算法 | 第17-18页 |
| ·Multi-view learning | 第17-18页 |
| ·本章小结 | 第18-19页 |
| 第三章 基于多时空特征的人体动作识别算法 | 第19-34页 |
| ·多时空特征提取 | 第19-25页 |
| ·MoSIFT时空兴趣点算法 | 第19-21页 |
| ·STIP时空兴趣点算法 | 第21-23页 |
| ·BoW模型 | 第23-24页 |
| ·多时空特征融合 | 第24-25页 |
| ·实验环境设置 | 第25-27页 |
| ·数据集 | 第25-27页 |
| ·评估方法 | 第27页 |
| ·分类器 | 第27页 |
| ·实验及性能分析 | 第27-32页 |
| ·在KTH数据上的性能评估 | 第27-30页 |
| ·在YouTube action数据集上的性能评估 | 第30-32页 |
| ·计算时间复杂度分析 | 第32-33页 |
| ·本章小结 | 第33-34页 |
| 第四章 基于RGB-D数据的人体动作识别算法 | 第34-44页 |
| ·深度稠密时空兴趣点检测 | 第34-35页 |
| ·基于深度轨迹特征的描述子 | 第35-36页 |
| ·RGB-D融合特征 | 第36-37页 |
| ·实验设置 | 第37-40页 |
| ·数据集 | 第37-39页 |
| ·数据集划分 | 第39-40页 |
| ·实验及性能评估 | 第40-42页 |
| ·MSR action 3D数据集上性能评估 | 第40页 |
| ·UTKinect action数据集性能评估 | 第40-41页 |
| ·DHA数据集上的性能评估 | 第41-42页 |
| ·计算时间复杂度分析 | 第42-43页 |
| ·本章总结 | 第43-44页 |
| 第五章 基于多相机的人体动作识别算法 | 第44-52页 |
| ·基于多相机的人体识别算法 | 第44-46页 |
| ·实验环境设置 | 第46-48页 |
| ·CVS-MV-RGBD数据集 | 第46-47页 |
| ·IXMAS数据集 | 第47页 |
| ·评估方法及分类器 | 第47-48页 |
| ·实验评估及讨论 | 第48-51页 |
| ·在CVS-MV-RGBD数据集上的性能评估 | 第48-50页 |
| ·在IXMAS数据集上的性能评估 | 第50-51页 |
| ·本章小结 | 第51-52页 |
| 第六章 总结与展望 | 第52-55页 |
| ·总结 | 第52-53页 |
| ·下一步工作展望 | 第53-55页 |
| 参考文献 | 第55-61页 |
| 发表论文和科研情况说明 | 第61-62页 |
| 致谢 | 第62-63页 |