基于词袋模型的目标跟踪和动作识别算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 目录 | 第7-11页 |
| Content | 第11-14页 |
| 第一章 绪论 | 第14-25页 |
| 1.1 课题研究背景及意义 | 第14-18页 |
| 1.1.1 目标跟踪的研究背景及意义 | 第14-17页 |
| 1.1.2 动作识别的研究背景及意义 | 第17-18页 |
| 1.2 国内外研究现状 | 第18-21页 |
| 1.2.1 目标跟踪的研究现状 | 第18-20页 |
| 1.2.2 动作识别的研究现状 | 第20-21页 |
| 1.3 技术难点 | 第21-23页 |
| 1.4 论文研究内容 | 第23-25页 |
| 1.4.1 论文的主要工作和贡献 | 第23页 |
| 1.4.2 论文的结构安排 | 第23-25页 |
| 第二章 词袋模型基本理论方法 | 第25-38页 |
| 2.1 研究背景 | 第25页 |
| 2.2 词袋模型概述 | 第25-28页 |
| 2.2.1 词袋模型的理论基础 | 第25-26页 |
| 2.2.2 词袋模型的主要流程 | 第26-27页 |
| 2.2.3 词袋模型在图像分类与检索中的应用 | 第27-28页 |
| 2.3 图像多特征提取 | 第28-33页 |
| 2.3.1 全局特征概述 | 第28-32页 |
| 2.3.2 局部特征概述 | 第32-33页 |
| 2.4 视觉词典构建 | 第33-36页 |
| 2.5 图像直方图表示 | 第36页 |
| 2.6 本章小结 | 第36-38页 |
| 第三章 在线特征稠密采样的目标跟踪算法 | 第38-61页 |
| 3.1 粒子滤波技术 | 第38-43页 |
| 3.1.1 贝叶斯状态估计 | 第38-40页 |
| 3.1.2 蒙特卡洛采样 | 第40-41页 |
| 3.1.3 重要性采样 | 第41-42页 |
| 3.1.4 粒子滤波算法流程 | 第42-43页 |
| 3.2 局部特征提取 | 第43-49页 |
| 3.2.1 特征检测 | 第43-47页 |
| 3.2.2 特征描述 | 第47-49页 |
| 3.3 在线特征稠密目标跟踪算法 | 第49-54页 |
| 3.3.1 稠密采样 | 第49-50页 |
| 3.3.2 聚类方法 | 第50-51页 |
| 3.3.3 生成模型 | 第51-52页 |
| 3.3.4 算法流程 | 第52-54页 |
| 3.3.5 模板更新 | 第54页 |
| 3.4 实验结果分析 | 第54-60页 |
| 3.4.1 典型图像序列 | 第54-58页 |
| 3.4.2 海上红外目标 | 第58-60页 |
| 3.5 本章小结 | 第60-61页 |
| 第四章 基于时空特征的动作识别算法 | 第61-84页 |
| 4.1 时空特征提取 | 第61-66页 |
| 4.1.1 时空特征检测子 | 第61-64页 |
| 4.1.2 时空特征描述子 | 第64-66页 |
| 4.2 基于3D时空特征的动作识别算法 | 第66-76页 |
| 4.2.1 特征改进 | 第66-69页 |
| 4.2.2 BOW算法在动作识别的应用 | 第69-71页 |
| 4.2.3 分类器中SVM核函数选择 | 第71-74页 |
| 4.2.4 算法总结 | 第74-76页 |
| 4.3 常用的动作数据集 | 第76-79页 |
| 4.3.1 KTH动作数据集 | 第76页 |
| 4.3.2 UCF动作数据集 | 第76-77页 |
| 4.3.3 HMDB51动作数据集 | 第77页 |
| 4.3.4 评价标准 | 第77-79页 |
| 4.4 实验结果分析 | 第79-83页 |
| 4.4.1 KTH动作数据集结果分析 | 第79-81页 |
| 4.4.2 HMDB51动作数据集结果分析 | 第81-83页 |
| 4.5 本章小结 | 第83-84页 |
| 第五章 总结与展望 | 第84-86页 |
| 5.1 论文工作总结 | 第84-85页 |
| 5.2 进一步的研究工作 | 第85-86页 |
| 参考文献 | 第86-90页 |
| 攻读硕士学位期间发表论文及科研情况 | 第90-91页 |
| 致谢 | 第91页 |
