基于RGBD数据的人体行为识别方法的研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-21页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 研究现状 | 第13-18页 |
| 1.2.1 人体行为的表示方法 | 第14-17页 |
| 1.2.2 行为识别的分类方法 | 第17-18页 |
| 1.3 人体行为识别的技术难点及发展趋势 | 第18页 |
| 1.4 本文研究内容与主要工作 | 第18-19页 |
| 1.5 本文组织结构 | 第19-21页 |
| 第2章 基于RGBD数据的行为识别相关理论知识 | 第21-33页 |
| 2.1 引言 | 第21页 |
| 2.2 RGBD相机及其数据类型 | 第21-24页 |
| 2.2.1 Kinect相机 | 第21-22页 |
| 2.2.2 彩色图像数据 | 第22-23页 |
| 2.2.3 深度图像数据 | 第23页 |
| 2.2.4 骨骼节点数据 | 第23-24页 |
| 2.3 常见的行为特征提取方法 | 第24-30页 |
| 2.3.1 时空特征 | 第25-26页 |
| 2.3.2 光流特征 | 第26-27页 |
| 2.3.3 方向梯度直方图特征 | 第27-28页 |
| 2.3.4 EigenJoints特征 | 第28-29页 |
| 2.3.5 深度局部占有模型特征 | 第29-30页 |
| 2.4 行为识别数据库概述 | 第30-33页 |
| 第3章 基于RGBD数据的人体行为识别算法 | 第33-46页 |
| 3.1 引言 | 第33-34页 |
| 3.2 骨骼通道特征提取算法 | 第34-40页 |
| 3.2.1 数据预处理 | 第34-35页 |
| 3.2.2 活跃肢体模块 | 第35-37页 |
| 3.2.3 静态特征 | 第37-39页 |
| 3.2.4 动态特征 | 第39-40页 |
| 3.2.5 特征优化 | 第40页 |
| 3.3 深度图通道特征提取算法 | 第40-44页 |
| 3.3.1 三维梯度提取 | 第41-42页 |
| 3.3.2 统计直方图 | 第42-43页 |
| 3.3.3 金字塔式深度特征 | 第43-44页 |
| 3.4 随机决策森林分类器 | 第44-46页 |
| 第4章 实验结果与分析 | 第46-58页 |
| 4.1 引言 | 第46页 |
| 4.2 实验中主要参数的设置分析 | 第46-48页 |
| 4.2.1 深度特征中的参数设置分析 | 第46-47页 |
| 4.2.2 骨骼特征中的参数设置分析 | 第47页 |
| 4.2.3 分类器中的参数设置分析 | 第47-48页 |
| 4.3 骨骼特征有效性分析 | 第48-50页 |
| 4.4 深度特征有效性分析 | 第50-53页 |
| 4.5 深度-骨骼(D-S)特征有效性分析 | 第53-57页 |
| 4.6 时间性能的分析 | 第57-58页 |
| 结论 | 第58-61页 |
| 参考文献 | 第61-65页 |
| 附录A 攻读硕士学位期间发表论文目录 | 第65-66页 |
| 附录B 攻读硕士学位期间所参与的科研活动 | 第66-67页 |
| 致谢 | 第67页 |
