基于高尔夫视频的动作检测与识别技术研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究目的和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 论文研究内容及组织结构 | 第13-15页 |
| 1.3.1 研究内容 | 第13-14页 |
| 1.3.2 论文组织结构 | 第14-15页 |
| 第2章 基于机器学习的目标检测算法概述 | 第15-27页 |
| 2.1 机器学习目标识别算法框架 | 第15-16页 |
| 2.2 体育目标检测数据集 | 第16-17页 |
| 2.3 图像预处理 | 第17页 |
| 2.4 特征提取 | 第17-22页 |
| 2.4.1 LBP特征 | 第18-20页 |
| 2.4.2 哈尔特征 | 第20-21页 |
| 2.4.3 积分通道特征 | 第21-22页 |
| 2.5 分类器 | 第22-26页 |
| 2.5.1 支持向量机 | 第22-24页 |
| 2.5.2 Boosting方法 | 第24-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第3章 基于聚集通道特征的高尔夫姿态识别算法 | 第27-39页 |
| 3.1 高尔夫姿态识别算法框架 | 第27-28页 |
| 3.2 聚集通道特征 | 第28-29页 |
| 3.3 多尺度特征的近似计算 | 第29-34页 |
| 3.3.1 近似估计多尺度下的特征 | 第30-31页 |
| 3.3.2 参数 ? 的估计 | 第31页 |
| 3.3.3 特征金字塔的快速计算方法 | 第31-33页 |
| 3.3.4 时间复杂度分析 | 第33-34页 |
| 3.4 改进的AdaBoost | 第34-36页 |
| 3.4.1 传统AdaBoost分析 | 第34页 |
| 3.4.2 AD-DWTAdaBoost算法 | 第34-36页 |
| 3.5 算法性能分析 | 第36-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第4章 高尔夫动作检测与识别技术研究设计 | 第39-51页 |
| 4.1 视频序列中的目标识别 | 第39-40页 |
| 4.2 识别方法基本思想 | 第40-41页 |
| 4.3 训练模型 | 第41-46页 |
| 4.3.1 球员检测器 | 第42-43页 |
| 4.3.2 关键姿态检测器 | 第43-45页 |
| 4.3.3 序列数据分类器 | 第45-46页 |
| 4.4 测试与验证 | 第46-50页 |
| 4.4.1 分类性能测试 | 第46-48页 |
| 4.4.2 实验验证 | 第48-49页 |
| 4.4.3 有效的参数设置 | 第49页 |
| 4.4.4 基于自然环境下的运动数据集实验 | 第49-50页 |
| 4.4.5 基于UCF运动数据集的实验 | 第50页 |
| 4.5 本章小结 | 第50-51页 |
| 结论 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第57-58页 |
| 致谢 | 第58页 |
