基于动作属性分类器的行为识别研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第7-17页 |
| 1.1 引言 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-9页 |
| 1.3 行为识别的主要技术 | 第9-13页 |
| 1.3.1 行为的表示 | 第9-11页 |
| 1.3.2 行为的识别 | 第11-13页 |
| 1.4 行为识别面临的困难与挑战 | 第13-14页 |
| 1.5 本文主要内容与组织结构 | 第14-15页 |
| 1.6 本章小结 | 第15-17页 |
| 第2章 基于局部时空特征的行为识别相关理论研究 | 第17-29页 |
| 2.1 时空兴趣点检测 | 第17-20页 |
| 2.1.1 3DHarris角点检测法 | 第17-19页 |
| 2.1.2 Dollar时空兴趣点检测法 | 第19-20页 |
| 2.2 时空描述符 | 第20-24页 |
| 2.2.1 Cuboids描述符 | 第20-21页 |
| 2.2.2 HOG/HOF描述符 | 第21-22页 |
| 2.2.3 3D-HOG描述符 | 第22-23页 |
| 2.2.4 3D-SIFT描述符 | 第23-24页 |
| 2.3 词袋模型 | 第24-25页 |
| 2.4 支持向量机 | 第25-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第3章 行为识别模型 | 第29-37页 |
| 3.1 基于属性的人体行为识别 | 第29页 |
| 3.2 基于SVM的动作属性分类器的训练 | 第29-30页 |
| 3.3 基于贝叶斯网络的识别模型建立 | 第30-35页 |
| 3.3.1 基于最大后验概率准则的评分函数 | 第30-31页 |
| 3.3.2 基于随机重启的爬山搜索策略 | 第31-32页 |
| 3.3.3 参数学习 | 第32-34页 |
| 3.3.4 建立模型 | 第34-35页 |
| 3.4 本章小结 | 第35-37页 |
| 第4章 实验结果与分析 | 第37-45页 |
| 4.1 实验环境 | 第37-38页 |
| 4.2 属性定义 | 第38-40页 |
| 4.3 实验流程 | 第40页 |
| 4.4 参数设置 | 第40-41页 |
| 4.5 实验结果与分析 | 第41-43页 |
| 4.6 本章小结 | 第43-45页 |
| 第5章 总结与展望 | 第45-47页 |
| 5.1 工作总结 | 第45页 |
| 5.2 未来展望 | 第45-47页 |
| 参考文献 | 第47-55页 |
| 致谢 | 第55-57页 |
| 攻读硕士学位期间公开发表的论文 | 第57页 |
