| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 研究中面临的挑战 | 第12-13页 |
| 1.3 主要研究内容及创新点 | 第13-14页 |
| 1.4 组织结构 | 第14-17页 |
| 第二章 行为识别方法综述 | 第17-31页 |
| 2.1 Kinect及深度图介绍 | 第17-21页 |
| 2.1.1 Kinect情况介绍 | 第17-18页 |
| 2.1.2 深度图像分析 | 第18-21页 |
| 2.2 行为识别系统框架 | 第21-22页 |
| 2.3 行为识别特征 | 第22-26页 |
| 2.3.1 基于深度图的特征 | 第22-23页 |
| 2.3.2 基于RGB信息的特征 | 第23-25页 |
| 2.3.3 基于骨架信息的特征 | 第25-26页 |
| 2.4 特征融合方法 | 第26-28页 |
| 2.5 本章小结 | 第28-31页 |
| 第三章 基于关节点特征熵的自适应特征选择方法 | 第31-49页 |
| 3.1 特征介绍 | 第32-35页 |
| 3.1.1 HON4D特征 | 第32-34页 |
| 3.1.2 关节点相对距离特征 | 第34-35页 |
| 3.2 特征处理 | 第35-37页 |
| 3.2.1 判别力部位挖掘 | 第35-36页 |
| 3.2.2 傅里叶时间金字塔 | 第36-37页 |
| 3.3 基于关节点特征熵的自适应特征选择方法 | 第37-39页 |
| 3.4 实验结果 | 第39-47页 |
| 3.4.1 特征结果 | 第40-43页 |
| 3.4.2 自适应特征选择方法结果 | 第43-47页 |
| 3.5 本章小结 | 第47-49页 |
| 第四章 高判别力的人体关节点选择以及特征表示 | 第49-69页 |
| 4.1 问题描述及思路概述 | 第50-51页 |
| 4.2 三维轨迹的梯度方向直方图特征 | 第51-56页 |
| 4.2.1 HOG3D特征 | 第51-55页 |
| 4.2.2 立方体块重构 | 第55-56页 |
| 4.3 基于关节点位移信息的判别力算法 | 第56-58页 |
| 4.4 实验结果 | 第58-66页 |
| 4.4.1 基于关节点HOG3T特征熵的自适应特征选择方法 | 第58-59页 |
| 4.4.2 HOG3T特征结果 | 第59-61页 |
| 4.4.3 基于关节点位移变化判别力的行为识别 | 第61-66页 |
| 4.5 本章小结 | 第66-69页 |
| 第五章 总结与展望 | 第69-73页 |
| 5.1 工作总结 | 第69-70页 |
| 5.2 工作展望 | 第70-73页 |
| 参考文献 | 第73-79页 |
| 硕士期间发表的论文 | 第79-81页 |
| 致谢 | 第81页 |