基于深度学习的人体行为识别方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-20页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-17页 |
| 1.3 论文主要研究内容及章节安排 | 第17-20页 |
| 第二章 常见的人体行为识别方法简介 | 第20-34页 |
| 2.1 引言 | 第20页 |
| 2.2 人体行为识别公共数据库 | 第20-21页 |
| 2.3 基于人工特征的行为识别方法 | 第21-27页 |
| 2.3.1 基于时空模板的行为识别 | 第22-24页 |
| 2.3.2 基于时空兴趣点的行为识别 | 第24页 |
| 2.3.3 基于时空上下文的行为识别 | 第24-26页 |
| 2.3.4 基于稠密轨迹的行为识别 | 第26-27页 |
| 2.4 基于深度学习的行为识别方法 | 第27-32页 |
| 2.4.1 基于 3D卷积网络的行为识别 | 第27-28页 |
| 2.4.2 基于双流卷积网络的行为识别 | 第28-29页 |
| 2.4.3 基于轨迹池化深度卷积描述子的行为识别 | 第29-31页 |
| 2.4.4 基于深度网络的行为识别 | 第31-32页 |
| 2.5 本章小结 | 第32-34页 |
| 第三章 一种基于人工特征的行为识别方法 | 第34-44页 |
| 3.1 引言 | 第34页 |
| 3.2 底层特征提取 | 第34-39页 |
| 3.2.1 稠密光流提取 | 第35-36页 |
| 3.2.2 稠密轨迹提取算法 | 第36-38页 |
| 3.2.3 静态特征和运动学特征提取 | 第38-39页 |
| 3.3 构造TBCM描述子 | 第39-42页 |
| 3.3.1 协方差矩阵的计算 | 第40页 |
| 3.3.2 投影协方差矩阵到欧式空间 | 第40-41页 |
| 3.3.3 获取轨迹立方体描述子 | 第41-42页 |
| 3.4 TBCM描述子用于行为识别 | 第42页 |
| 3.5 本章小结 | 第42-44页 |
| 第四章 一种深度学习下的行为识别方法 | 第44-58页 |
| 4.1 引言 | 第44页 |
| 4.2 C3D网络的结构 | 第44-46页 |
| 4.2.1 3D卷积和池化 | 第45页 |
| 4.2.2 C3D网络模型和训练 | 第45-46页 |
| 4.3 全局特征和局部特征的提取 | 第46页 |
| 4.4 特征融合 | 第46-53页 |
| 4.4.1 典型相关分析算法 | 第47-48页 |
| 4.4.2 核典型相关分析算法 | 第48-50页 |
| 4.4.3 核Fisher判别分析算法 | 第50-51页 |
| 4.4.4 判别性的非线性特征融合算法 | 第51-53页 |
| 4.5 本文行为识别架构与仿真 | 第53-56页 |
| 4.5.1 本文识别算法新构架 | 第53-54页 |
| 4.5.2 实验仿真分析 | 第54-56页 |
| 4.6 本章小结 | 第56-58页 |
| 第五章 全文总结与展望 | 第58-60页 |
| 5.1 全文总结 | 第58页 |
| 5.2 未来展望 | 第58-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-66页 |
| 作者简介 | 第66-67页 |
