基于分层方法的复杂人体行为识别研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| Table of Contents | 第10-13页 |
| 第一章 绪论 | 第13-23页 |
| 1.1 研究背景及意义 | 第13-15页 |
| 1.2 人体行为识别研究进展 | 第15-18页 |
| 1.2.1 单层行为识别方法 | 第15-17页 |
| 1.2.2 分层行为识别方法 | 第17-18页 |
| 1.3 系统概述 | 第18-20页 |
| 1.4 本文主要工作 | 第20-21页 |
| 1.5 本文结构安排 | 第21-23页 |
| 第二章 基于深度学习的原子动作识别方法 | 第23-45页 |
| 2.1 深度学习相关理论 | 第23-29页 |
| 2.1.1 深度置信网 | 第24-26页 |
| 2.1.2 栈式自编码神经网络 | 第26-27页 |
| 2.1.3 卷积神经网络 | 第27-28页 |
| 2.1.4 稀疏编码 | 第28-29页 |
| 2.2 深度学习面临的问题 | 第29-30页 |
| 2.2.1 理论问题 | 第29页 |
| 2.2.2 建模问题 | 第29页 |
| 2.2.3 工程问题 | 第29-30页 |
| 2.3 深度学习应用于人体行为识别 | 第30-35页 |
| 2.3.1 深度学习与人体行为识别的关系 | 第30-31页 |
| 2.3.2 识别系统概述 | 第31页 |
| 2.3.3 图像预处理 | 第31-33页 |
| 2.3.4 栈式降噪自编码神经网络 | 第33-35页 |
| 2.4 深度网络参数优化策略 | 第35-39页 |
| 2.4.1 深度网络预训练的优势 | 第35-36页 |
| 2.4.2 噪声率优化 | 第36-37页 |
| 2.4.3 学习率优化 | 第37-38页 |
| 2.4.4 金字塔型架构的节点选择 | 第38-39页 |
| 2.5 原子动作实验分析 | 第39-43页 |
| 2.5.1 Kinect简介 | 第40页 |
| 2.5.2 深度数据定义与获取 | 第40-41页 |
| 2.5.3 Kinect行为数据集 | 第41页 |
| 2.5.4 评估apSDAE架构的性能 | 第41-42页 |
| 2.5.5 经典算法的比较 | 第42页 |
| 2.5.6 Weizmann数据集验证 | 第42-43页 |
| 2.6 本章小结 | 第43-45页 |
| 第三章 基于隐马尔科夫模型的序列动作识别方法 | 第45-59页 |
| 3.1 马尔科夫过程 | 第45-46页 |
| 3.2 隐马尔科夫模型 | 第46-51页 |
| 3.2.1 隐马尔科夫模型的三大问题 | 第47-51页 |
| 3.3 HMM应用于人体行为识别 | 第51-54页 |
| 3.3.1 人体行为识别同HMM的关系 | 第51-52页 |
| 3.3.2 多序列隐马尔科夫模型的训练 | 第52-54页 |
| 3.4 序列动作实验分析 | 第54-57页 |
| 3.4.1 原子动作识别 | 第55页 |
| 3.4.2 序列动作识别 | 第55-57页 |
| 3.5 本章小结 | 第57-59页 |
| 第四章 基于上下文无关文法描述的复杂行为识别方法 | 第59-77页 |
| 4.1 上下文无关文法与人体行为识别 | 第59-60页 |
| 4.2 描述逻辑关系定义 | 第60-62页 |
| 4.2.1 时间描述子 | 第61页 |
| 4.2.2 空间描述子 | 第61-62页 |
| 4.2.3 逻辑描述子 | 第62页 |
| 4.3 行为的表示 | 第62-66页 |
| 4.3.1 原子动作表示 | 第62-63页 |
| 4.3.2 复杂动作表示 | 第63-65页 |
| 4.3.3 交互动作表示 | 第65-66页 |
| 4.4 人体复杂行为实验分析 | 第66-76页 |
| 4.4.1 人脸朝向识别 | 第66-68页 |
| 4.4.2 序列动作时间起止点确定 | 第68-70页 |
| 4.4.3 单人复杂动作的识别 | 第70-72页 |
| 4.4.4 多人交互动作的识别 | 第72-74页 |
| 4.4.5 实验结果 | 第74-76页 |
| 4.5 本章小结 | 第76-77页 |
| 第五章 工作总结及展望 | 第77-79页 |
| 5.1 工作总结 | 第77页 |
| 5.2 展望 | 第77-79页 |
| 参考文献 | 第79-85页 |
| 附录 攻读硕士期间发表的论文 | 第85-87页 |
| 致谢 | 第87页 |
