基于深度视频的3D人体行为识别算法研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 人体行为识别研究现状 | 第9-11页 |
| 1.3 本文主要研究内容 | 第11页 |
| 1.4 本文组织结构 | 第11-12页 |
| 1.5 本章小结 | 第12-13页 |
| 第二章 基于深度序列的行为识别方法概述 | 第13-20页 |
| 2.1 人体行为识别框架 | 第13页 |
| 2.2 数据采集 | 第13-14页 |
| 2.3 深度数据集介绍 | 第14-16页 |
| 2.4 基于深度数据的行为识别技术 | 第16-19页 |
| 2.4.1 3D轮廓的行为识别 | 第16-17页 |
| 2.4.2 骨关节特征的行为识别 | 第17-18页 |
| 2.4.3 局部时空特征的行为识别 | 第18-19页 |
| 2.4.4 局部占用模式的行为识别 | 第19页 |
| 2.5 本章小结 | 第19-20页 |
| 第三章 基于模糊分片特征的行为识别算法 | 第20-37页 |
| 3.1 传统深度动作图 | 第20-21页 |
| 3.2 模糊分片特征提取 | 第21-25页 |
| 3.2.1 模糊边界子序列 | 第22-23页 |
| 3.2.2 基于模糊分片的深度动作图特征提取 | 第23-25页 |
| 3.3 鲁棒的概率协作表示分类器 | 第25-26页 |
| 3.4 实验结果及分析 | 第26-36页 |
| 3.4.1 3D ActionPairs数据集 | 第27-28页 |
| 3.4.2 MSR Gesture 3D数据集 | 第28-30页 |
| 3.4.3 MSR Action 3D数据集 | 第30-32页 |
| 3.4.4 UTD-MHAD数据集 | 第32-33页 |
| 3.4.5 分类器对比 | 第33-34页 |
| 3.4.6 模糊分片方法效果验证 | 第34-35页 |
| 3.4.7 模糊边界参数取值 | 第35-36页 |
| 3.5 本章总结 | 第36-37页 |
| 第四章 基于自适应模糊边界子序列的多时间尺度算法 | 第37-53页 |
| 4.1 算法框架介绍 | 第37-38页 |
| 4.2 自适应模糊边界子序列 | 第38-39页 |
| 4.3 细节信息提取 | 第39-41页 |
| 4.4 特征编码 | 第41-43页 |
| 4.4.1 基于重叠块的LBP特征 | 第41-42页 |
| 4.4.2 Fisher核表示法 | 第42-43页 |
| 4.5 实验结果及分析 | 第43-52页 |
| 4.5.1 3D ActionPairs数据集 | 第44-45页 |
| 4.5.2 MSR Gesture 3D数据集 | 第45-46页 |
| 4.5.3 MSR Action 3D数据集 | 第46-48页 |
| 4.5.4 UTD-MHAD数据集 | 第48-50页 |
| 4.5.5 参数讨论 | 第50-51页 |
| 4.5.6 时间分析 | 第51-52页 |
| 4.6 本章总结 | 第52-53页 |
| 第五章 总结与展望 | 第53-55页 |
| 5.1 本论文工作小结 | 第53页 |
| 5.2 工作展望 | 第53-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 附录:作者在攻读硕士学位期间发表的论文 | 第60页 |
