| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1. 绪论 | 第9-14页 |
| 1.1. 研究背景与研究意义 | 第9-10页 |
| 1.2. 国内外研究现状 | 第10-12页 |
| 1.3. 本文主要研究内容 | 第12-13页 |
| 1.4. 论文结构 | 第13-14页 |
| 2. 基于图结构的人体姿态估计 | 第14-18页 |
| 2.1. 人体图结构模型 | 第14-15页 |
| 2.2. 人体图结构统计模型 | 第15-16页 |
| 2.3. 模型参数学习 | 第16-17页 |
| 2.3.1. 外观参数估计 | 第17页 |
| 2.3.2. 连接参数估计 | 第17页 |
| 2.4. 本章小结 | 第17-18页 |
| 3. 基于深度学习的单人姿态估计 | 第18-29页 |
| 3.1. DeepPose | 第18-21页 |
| 3.1.1. 关节点回归网络 | 第18-19页 |
| 3.1.2. 级联回归 | 第19-21页 |
| 3.1.3. 网络训练设置 | 第21页 |
| 3.2. 流动卷积神经网络(Flowing ConvNets) | 第21-23页 |
| 3.2.1. 空间卷积网络 | 第21-22页 |
| 3.2.2. 空间融合层(Spatial fusion layers) | 第22页 |
| 3.2.3. 密集光流法对齐 | 第22-23页 |
| 3.2.4. 网络训练设置 | 第23页 |
| 3.3. 卷积姿势机(Convolutioal Pose Machines,CPM) | 第23-26页 |
| 3.3.1. 姿势机 | 第24页 |
| 3.3.2. 卷积姿势机 | 第24-26页 |
| 3.3.3. 网络训练设置 | 第26页 |
| 3.4. 堆叠沙漏网络(Stacked Hourglass Network) | 第26-28页 |
| 3.4.1. 沙漏结构 | 第26-27页 |
| 3.4.2. 堆叠沙漏网络 | 第27-28页 |
| 3.4.3. 训练参数设置 | 第28页 |
| 3.5. 本章小结 | 第28-29页 |
| 4. 基于深度学习的多人姿态估计 | 第29-38页 |
| 4.1. DeepCut | 第29-32页 |
| 4.1.1. Adapted Fast R-CNN (AFR-CNN) | 第29页 |
| 4.1.2. 节点归类 | 第29-32页 |
| 4.2. DeeperCut | 第32-33页 |
| 4.2.1. 残差网络 | 第32页 |
| 4.2.2. 图像条件配对项 | 第32-33页 |
| 4.3. ArtTrack | 第33-37页 |
| 4.3.1. 基于图优化的多目标跟踪 | 第33-34页 |
| 4.3.2. 多人节点跟踪 | 第34-37页 |
| 4.4. 本章小结 | 第37-38页 |
| 5. 实时多人姿态估计 | 第38-47页 |
| 5.1. 网络结构 | 第38-40页 |
| 5.2. 关节点热力图 | 第40-41页 |
| 5.3. 关节点亲和区域 | 第41-43页 |
| 5.4. 多人姿态估计 | 第43-44页 |
| 5.5. 训练样本 | 第44-45页 |
| 5.6. 网络训练 | 第45-46页 |
| 5.7. 本章小结 | 第46-47页 |
| 6. 人员异常行为分析 | 第47-52页 |
| 6.1. KCF跟踪原理 | 第47-49页 |
| 6.2. 关节点跟踪 | 第49-50页 |
| 6.3. 异常行为分析 | 第50-51页 |
| 本章小结 | 第51-52页 |
| 7. 实验结果与分析 | 第52-59页 |
| 7.1. 训练结果 | 第52-53页 |
| 7.2. 精度评价 | 第53页 |
| 7.3. 关节点热力图可视化 | 第53-54页 |
| 7.4. 亲和区域可视化 | 第54-55页 |
| 7.5. 多人姿态估计结果 | 第55-56页 |
| 7.6. 运行速度 | 第56页 |
| 7.7. 异常行为分析 | 第56-59页 |
| 8. 总结与展望 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 致谢 | 第64-65页 |
