| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 引言 | 第8-16页 |
| 1.1 人体动作识别的研究背景和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 研究难点与挑战 | 第12页 |
| 1.4 主要工作及内容安排 | 第12-16页 |
| 1.4.1 主要工作 | 第13页 |
| 1.4.2 论文内容安排 | 第13-16页 |
| 第2章 人体动作识别方法概述 | 第16-23页 |
| 2.1 人体动作特征提取与描述方法 | 第16-19页 |
| 2.1.1 人体动作的全局特征 | 第16-18页 |
| 2.1.2 人体动作的局部特征提取 | 第18-19页 |
| 2.1.3 人体动作的全局和局部特征融合 | 第19页 |
| 2.2 视频中人体动作的分类识别方法 | 第19-22页 |
| 2.2.1 基于模板匹配的分类方法 | 第20-21页 |
| 2.2.2 基于状态空间的分类方法 | 第21页 |
| 2.2.3 基于机器学习的分类方法 | 第21-22页 |
| 2.3 本章小结 | 第22-23页 |
| 第3章 基于时空兴趣点和HOG-3D描述子的人体动作识别 | 第23-43页 |
| 3.1 研究背景 | 第23页 |
| 3.2 视频中人体动作的时空兴趣点提取 | 第23-28页 |
| 3.2.1 空间域Harris角点检测 | 第24-25页 |
| 3.2.2 时空域Harris角点检测 | 第25-28页 |
| 3.3 人体动作特征描述 | 第28-29页 |
| 3.4 人体动作的特征包描述 | 第29-30页 |
| 3.4.1 词袋模型理论 | 第29-30页 |
| 3.4.2 构建词袋模型 | 第30页 |
| 3.5 基于支持向量机的分类方法 | 第30-32页 |
| 3.6 基于时空兴趣点和HOG-3D的人体动作识别方法 | 第32-34页 |
| 3.7 实验结果和分析 | 第34-41页 |
| 3.7.1 人体动作识别的视频数据集 | 第34-35页 |
| 3.7.2 实验环境 | 第35-36页 |
| 3.7.3 实验结果与分析 | 第36-41页 |
| 3.8 本章小结 | 第41-43页 |
| 第4章 基于卷积神经网络和时空兴趣点的人体动作识别 | 第43-56页 |
| 4.1 卷积神经网络 | 第43-49页 |
| 4.1.1 卷积层 | 第44-45页 |
| 4.1.2 子采样层 | 第45-46页 |
| 4.1.3 学习特征图的组合 | 第46-49页 |
| 4.2 融合时空兴趣点特征方法 | 第49页 |
| 4.3 基于卷积神经网络和时空兴趣点的人体动作识别方法 | 第49-51页 |
| 4.4 实验及结果分析 | 第51-54页 |
| 4.4.1 人体动作识别视频数据集 | 第52页 |
| 4.4.2 实验环境 | 第52页 |
| 4.4.3 实验结果与分析 | 第52-54页 |
| 4.5 本章小结 | 第54-56页 |
| 第5章 结束语 | 第56-58页 |
| 5.1 主要工作与创新点 | 第56-57页 |
| 5.2 后续研究工作 | 第57-58页 |
| 参考文献 | 第58-64页 |
| 致谢 | 第64-65页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第65页 |
