| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题的研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.2.1 国外研究现状 | 第10-11页 |
| 1.2.2 国内研究现状 | 第11页 |
| 1.3 研究难点 | 第11-12页 |
| 1.4 本文主要研究内容及章节安排 | 第12-14页 |
| 第2章 人体行为识别的常用关键技术 | 第14-24页 |
| 2.1 人体行为识别的一般流程 | 第14-15页 |
| 2.2 人体行为的常用特征提取算法 | 第15-20页 |
| 2.2.1 全局特征 | 第15-17页 |
| 2.2.2 局部特征 | 第17-18页 |
| 2.2.3 全局与局部特征融合 | 第18-20页 |
| 2.3 人体行为识别的一般算法 | 第20-23页 |
| 2.3.1 判别式模型 | 第20-21页 |
| 2.3.2 产生式模型 | 第21-22页 |
| 2.3.3 深度学习模型 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 基于深度映射图的人体行为特征提取算法 | 第24-36页 |
| 3.1 Kinect获取的人体行为数据原理介绍 | 第24-27页 |
| 3.1.1 Kinect的深度图像成像原理 | 第24-25页 |
| 3.1.2 三维骨架数据 | 第25-26页 |
| 3.1.3 深度图像 | 第26-27页 |
| 3.2 深度运动图的人体行为特征生成 | 第27-28页 |
| 3.2.1 深度映射图的投影方法 | 第27页 |
| 3.2.2 深度运动图的生成 | 第27-28页 |
| 3.3 深度运动图的LBP特征提取 | 第28-35页 |
| 3.3.1 原始LBP算子 | 第28-29页 |
| 3.3.2 圆形LBP算子 | 第29-30页 |
| 3.3.3 灰度不变LBP算子 | 第30-31页 |
| 3.3.4 旋转不变LBP算子 | 第31-32页 |
| 3.3.5 深度运动图的Uniform模式LBP算子 | 第32-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 基于深度运动图的人体行为识别算法 | 第36-44页 |
| 4.1 稀疏表示方法 | 第36-38页 |
| 4.1.1 稀疏表示简介 | 第36页 |
| 4.1.2 稀疏表示分类 | 第36-38页 |
| 4.2 Tikhonov正则化方法 | 第38-39页 |
| 4.2.1 Tikhonov正则化简介 | 第38-39页 |
| 4.2.2 Tikhonov正则化 | 第39页 |
| 4.3 L2范式正则化协同表示和行为分类 | 第39-43页 |
| 4.3.1 协同表示简介 | 第39-40页 |
| 4.3.2 L2范式协同表示和行为分类 | 第40-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第5章 实验过程、结果与分析 | 第44-55页 |
| 5.1 实验环境与数据库简介 | 第44-45页 |
| 5.2 实验结果展示与分析 | 第45-54页 |
| 5.2.1 LBP算子的确定 | 第45-46页 |
| 5.2.2 实验一 | 第46-52页 |
| 5.2.3 实验二 | 第52-54页 |
| 5.3 本章小结 | 第54-55页 |
| 第6章 结论 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 作者简介 | 第62-63页 |
| 攻读硕士学位期间研究成果 | 第63页 |