基于时空兴趣点的单人行为及交互行为的识别方法
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 目录 | 第8-10页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 传统视频监控系统 | 第11-12页 |
| 1.2.2 智能视频监控系统 | 第12-13页 |
| 1.3 本文内容及组织结构 | 第13-14页 |
| 1.3.1 本文研究内容 | 第13页 |
| 1.3.2 本文组织结构 | 第13-14页 |
| 第二章 行为识别的前期处理 | 第14-22页 |
| 2.1 人体行为识别技术的概述 | 第14-17页 |
| 2.1.1 人体行为识别分类 | 第14-16页 |
| 2.1.2 行为识别研究中的问题 | 第16-17页 |
| 2.2 行为识别的预处理 | 第17-21页 |
| 2.2.1 视频前景的提取 | 第17-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第三章 时空兴趣点的提取 | 第22-33页 |
| 3.1 人体特征选取介绍 | 第22-23页 |
| 3.2 时空特征点的提取 | 第23-30页 |
| 3.3 双人交互行为时空兴趣点集的选取 | 第30-32页 |
| 3.4 时空兴趣点的归一化 | 第32页 |
| 3.5 本章小结 | 第32-33页 |
| 第四章 时空单词的生成及行为模型建模 | 第33-50页 |
| 4.1 K-MEANS 算法 | 第34-35页 |
| 4.2 EM 算法与混合聚类模型的含义及原理 | 第35-37页 |
| 4.2.1 EM 算法的含义及原理 | 第35-36页 |
| 4.2.2 混合模型聚类原理 | 第36-37页 |
| 4.3 用 EM 算法实现高斯混合模型 | 第37-42页 |
| 4.3.1 极大似然估计方法 | 第37页 |
| 4.3.2 高斯混合模型 | 第37-39页 |
| 4.3.3 使用 EM 算法的 GMM 聚类 | 第39-42页 |
| 4.4 时空单词的生成及行为模型建模 | 第42-47页 |
| 4.4.1 时空单词的生成 | 第42-46页 |
| 4.4.2 行为模型建模 | 第46-47页 |
| 4.5 实验结果与分析 | 第47-49页 |
| 4.5.1 数据集简介 | 第47-49页 |
| 4.6 本章小结 | 第49-50页 |
| 第五章 总结与展望 | 第50-52页 |
| 5.1 总结 | 第50页 |
| 5.2 展望 | 第50-52页 |
| 参考文献 | 第52-57页 |
| 作者简介及在学期间所取得的科研成果 | 第57-58页 |
| 致谢 | 第58页 |
