| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| Chapter 1. Introduction | 第10-18页 |
| 1.1 Background | 第10-15页 |
| 1.1.1 Depth Recovery From 2D Scenes | 第11-12页 |
| 1.1.2 Edge Preserving Image Smoothing | 第12-14页 |
| 1.1.3 RGBD Saliency Detection | 第14-15页 |
| 1.1.4 Depth Data Based Online Human Action Recognition | 第15页 |
| 1.2 Motivation and Contributions | 第15-16页 |
| 1.3 Organization of the Dissertation | 第16-18页 |
| Chapter 2. Depth Recovery From a Single Image UsingDefocus Cues | 第18-32页 |
| 2.1 Introduction and Background | 第18-19页 |
| 2.2 Related Work | 第19-21页 |
| 2.2.1 Multiple Images Based Depth Recovery Using Defocus Cues | 第20页 |
| 2.2.2 Single Image Based Depth Recovery Using Defocus Cues | 第20-21页 |
| 2.3 Depth Map Recovery From a Single Image Via SpectrumContrast | 第21-28页 |
| 2.3.1 Defocus Map Recovery | 第23-27页 |
| 2.3.2 Depth Map Recovery | 第27-28页 |
| 2.4 Experimental Results | 第28-31页 |
| 2.4.1 Defocus Map Recovery Results | 第28-31页 |
| 2.4.2 Depth Recovery Results | 第31页 |
| 2.5 Conclusion | 第31-32页 |
| Chapter 3. Edge Preserving Image Smoothing and DepthMap Refinement | 第32-58页 |
| 3.1 Introduction and Background | 第32-33页 |
| 3.2 Related Work | 第33-35页 |
| 3.2.1 Local Filtering Based Image Smoothing Approaches | 第33页 |
| 3.2.2 Optimization Based Image Smoothing Approaches | 第33-35页 |
| 3.3 Our Edge Preserving Image Smoothing Algorithm | 第35-45页 |
| 3.3.1 Proposed Algorithm | 第35-38页 |
| 3.3.2 Textures and Edges Distinguishing | 第38-40页 |
| 3.3.3 Efficient Implementation of Our Algorithm | 第40-43页 |
| 3.3.4 Algorithm Analysis and Parameters Adjustment | 第43-45页 |
| 3.4 Experimental Results and Comparison | 第45-54页 |
| 3.4.1 Experiments on nature scenes | 第45页 |
| 3.4.2 Experiments on Structured Images | 第45-46页 |
| 3.4.3 Efficiency Comparison | 第46-48页 |
| 3.4.4 Image Smoothing Based Applications | 第48-54页 |
| 3.5 Depth Map Refinement Based on Image Smoothing | 第54-55页 |
| 3.6 Depth Maps Refinement Results | 第55-56页 |
| 3.7 Conclusion | 第56-58页 |
| Chapter 4. Depth Assisted Saliency Detection | 第58-78页 |
| 4.1 Introduction and Background | 第58-60页 |
| 4.2 Related Work | 第60-63页 |
| 4.3 2D Image Saliency Detection | 第63-68页 |
| 4.3.1 Color Spatial Distribution (CSD) Calculation | 第64-65页 |
| 4.3.2 Minimum Spanning Tree Weight (MSTW) Accumulation | 第65-67页 |
| 4.3.3 Saliency Combination and Guided Filtering | 第67-68页 |
| 4.4 Depth Assisted Saliency Detection | 第68-71页 |
| 4.4.1 Depth Assisted Saliency Detection Model | 第70页 |
| 4.4.2 Optimization and Solver | 第70-71页 |
| 4.5 Experimental Results | 第71-75页 |
| 4.5.1 RGB Saliency Detection Results | 第71-73页 |
| 4.5.2 RGBD Saliency Detection Results | 第73-75页 |
| 4.6 Conclusion | 第75-78页 |
| Chapter 5. Online Human Action Recognition Based onDepth Data | 第78-104页 |
| 5.1 Introduction and Background | 第78-80页 |
| 5.2 Related Work | 第80-82页 |
| 5.3 Skeleton Joints Based Weighted Covariance Matrices In-cremental Learning | 第82-92页 |
| 5.3.1 The Covariance Descriptor | 第82-83页 |
| 5.3.2 Temporal Weight and Frame Weight | 第83-85页 |
| 5.3.3 Neutral Pose Model | 第85-88页 |
| 5.3.4 Incremental Leaning of Weighted Covariance Matrices | 第88-92页 |
| 5.4 Online Action Recognition | 第92-95页 |
| 5.4.1 Online Action Recognition Using Nearest Neighbour Search | 第92-94页 |
| 5.4.2 Online Action Recognition Using Log-Euclidean Kernel BasedSVM | 第94-95页 |
| 5.5 Experimental Results | 第95-101页 |
| 5.5.1 Skeleton Data Normalization and Denoise | 第96-97页 |
| 5.5.2 Human Action Covariance Descriptor | 第97页 |
| 5.5.3 Experimental Results on MSRC-12 Kinect Gesture Dataset | 第97-98页 |
| 5.5.4 Experimental Results on Online Action 3D Dataset | 第98-100页 |
| 5.5.5 Time Efficiency of Incrementally Updated Covariance Matrices | 第100-101页 |
| 5.6 Conclusion | 第101-104页 |
| Conclusion and Future Work | 第104-106页 |
| Reference | 第106-122页 |
| Publications and Projects | 第122-124页 |
| Acknowledgement | 第124-125页 |
