用于行为识别稀疏表示的分类方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第1章 绪论 | 第9-12页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 研究内容 | 第10-11页 |
| 1.3 论文结构 | 第11-12页 |
| 第2章 行为识别技术概述 | 第12-20页 |
| 2.1 基于传感器的特征提取方法 | 第12-13页 |
| 2.1.1 原始数据采集 | 第12页 |
| 2.1.2 静态窗口划分方法 | 第12-13页 |
| 2.1.3 动态窗口划分方法 | 第13页 |
| 2.2 基于视觉的特征提取方法 | 第13-14页 |
| 2.2.1 二维特征提取 | 第14页 |
| 2.2.2 三维特征提取 | 第14页 |
| 2.3 行为模型训练与识别方法 | 第14-18页 |
| 2.3.1 朴素贝叶斯 | 第15-16页 |
| 2.3.2 隐马尔可夫 | 第16-17页 |
| 2.3.3 卷积神经网络 | 第17-18页 |
| 2.3.4 稀疏表示 | 第18页 |
| 2.4 本章小结 | 第18-20页 |
| 第3章 基于特征提取的日常行为识别方法 | 第20-35页 |
| 3.1 系统框架 | 第20-21页 |
| 3.2 规则提取算法 | 第21-23页 |
| 3.2.1 预备知识 | 第21-23页 |
| 3.3 模型的训练与行为识别 | 第23-28页 |
| 3.3.1 模型的构建 | 第23-24页 |
| 3.3.2 规则置信度计算 | 第24-28页 |
| 3.4 实验对比分析 | 第28-34页 |
| 3.4.1 实验设定 | 第28-31页 |
| 3.4.2 评价标准 | 第31-32页 |
| 3.4.3 实验结果 | 第32-34页 |
| 3.4.4 讨论 | 第34页 |
| 3.5 本章小结 | 第34-35页 |
| 第4章 连续型数据的特征提取及其行为识别方法 | 第35-42页 |
| 4.1 系统框架 | 第36-37页 |
| 4.2 行为特征提取 | 第37-39页 |
| 4.2.1 行为特征对比 | 第37-38页 |
| 4.2.2 特征提取动作原语对 | 第38-39页 |
| 4.3 实验对比分析 | 第39-41页 |
| 4.3.1 实验设计 | 第39-40页 |
| 4.3.2 实验结果分析 | 第40-41页 |
| 4.4 本章小结 | 第41-42页 |
| 第5章 基于稀疏表示字典训练的日常行为识别方法 | 第42-55页 |
| 5.1 算法流程 | 第42-44页 |
| 5.2 字典训练与稀疏编码 | 第44-45页 |
| 5.2.1 预备知识 | 第44页 |
| 5.2.2 K-SVD算法 | 第44-45页 |
| 5.3 MP匹配追踪算法 | 第45-47页 |
| 5.4 实验对比与分析 | 第47-53页 |
| 5.4.1 评价标准 | 第47页 |
| 5.4.2 参数选择实验 | 第47-48页 |
| 5.4.3 行为标签识别 | 第48-53页 |
| 5.4.4 讨论 | 第53页 |
| 5.5 本章小结 | 第53-55页 |
| 第6章 结论与展望 | 第55-57页 |
| 6.1 结论 | 第55页 |
| 6.2 展望 | 第55-57页 |
| 参考文献 | 第57-63页 |
| 攻读学位期间公开发表的学术论文 | 第63-64页 |
| 致谢 | 第64页 |
