| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-12页 |
| 1.3 论文工作与内容安排 | 第12-14页 |
| 第二章 基于深度数据的人体动作分割与识别综述 | 第14-22页 |
| 2.1 动作识别 | 第14-19页 |
| 2.1.1 人体模型特征 | 第14-15页 |
| 2.1.2 图像模型特征 | 第15页 |
| 2.1.3 局部特征 | 第15页 |
| 2.1.4 具体方法介绍 | 第15-19页 |
| 2.2 动作分割 | 第19-21页 |
| 2.2.1 边界检测 | 第20页 |
| 2.2.2 滑动窗口 | 第20-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第三章 基于DMM-HOG与PDD的动作分割与识别方法 | 第22-32页 |
| 3.1 基于视频片段的识别 | 第23-25页 |
| 3.1.1 骨架节点特征 | 第23-24页 |
| 3.1.2 DMM-HOG | 第24页 |
| 3.1.3 基于SVM的分类器集合 | 第24-25页 |
| 3.2 在完整视频上的分割 | 第25-27页 |
| 3.2.1 PDD定义 | 第25页 |
| 3.2.2 边界检测策略 | 第25-27页 |
| 3.3 实验结果与讨论 | 第27-31页 |
| 3.3.1 识别准确率 | 第27-28页 |
| 3.3.2 分割实验结果 | 第28-31页 |
| 3.4 本章小结 | 第31-32页 |
| 第四章 基于DMM-Pyramid和卷积神经网络的动作识别方法 | 第32-42页 |
| 4.1 基于2D-CNN的深度模型 | 第33-37页 |
| 4.1.1 DMM-Pyramid | 第33-34页 |
| 4.1.2 CNN模型 | 第34-36页 |
| 4.1.3 进一步提升识别准确率的策略 | 第36-37页 |
| 4.2 基于3D-CNN的深度模型 | 第37-38页 |
| 4.2.1 DMM的分割和堆叠 | 第37页 |
| 4.2.2 CNN模型 | 第37-38页 |
| 4.3 实验结果与讨论 | 第38-41页 |
| 4.3.1 MSR Action3D数据集 | 第38-40页 |
| 4.3.2 在MSR Gesture3D数据集上的手势识别 | 第40-41页 |
| 4.4 本章小结 | 第41-42页 |
| 第五章 基于循环神经网络的动作分割与识别方法 | 第42-52页 |
| 5.1 循环神经网络 | 第43-45页 |
| 5.1.1 模型简述 | 第43-44页 |
| 5.1.2 在时域上的后向传播 | 第44-45页 |
| 5.2 排序特征 | 第45-47页 |
| 5.2.1 骨架节点特征 | 第45-46页 |
| 5.2.2 深度序列特征 | 第46-47页 |
| 5.3 在线动作识别 | 第47-48页 |
| 5.4 实验结果与讨论 | 第48-50页 |
| 5.4.1 数据集 | 第48页 |
| 5.4.2 实验结果 | 第48-50页 |
| 5.5 本章小结 | 第50-52页 |
| 第六章 总结与展望 | 第52-54页 |
| 参考文献 | 第54-60页 |
| 攻读硕士学位期间完成的学术成果 | 第60-61页 |
| 致谢 | 第61-62页 |
