| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-19页 |
| 1.1 本课题研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-16页 |
| 1.3 本文研究内容 | 第16页 |
| 1.4 本文的结构安排 | 第16-19页 |
| 第2章 人体行为识别相关工具及技术介绍 | 第19-34页 |
| 2.1 Kinect的相关介绍 | 第19-22页 |
| 2.1.1 Kinect硬件平台介绍 | 第19-20页 |
| 2.1.2 Kinect SDK软件开发工具包 | 第20-22页 |
| 2.2 Kinect数据采集与分析 | 第22-27页 |
| 2.2.1 RGB-D深度数据的获取原理及方法 | 第22-24页 |
| 2.2.2 骨骼关节点的获取原理及介绍 | 第24-27页 |
| 2.3 Bag of words模型 | 第27-32页 |
| 2.3.1 BOW模型相关介绍 | 第27-28页 |
| 2.3.2 BOW创建过程 | 第28-32页 |
| 2.4 基于Kinect的人体行为识别 | 第32-34页 |
| 第3章 基于多通道的特征提取 | 第34-47页 |
| 3.1 本文所提算法的概述 | 第34页 |
| 3.2 特征提取方法 | 第34-39页 |
| 3.2.1 HOG特征提取方法 | 第34-36页 |
| 3.2.2 SURF时空兴趣点检测 | 第36-37页 |
| 3.2.3 运动历史图像表示 | 第37-39页 |
| 3.3 基于RGB-D的特征提取方法 | 第39-42页 |
| 3.3.1 彩色图像局部时空特征的提取方法 | 第39-41页 |
| 3.3.2 深度图像时空HOG特征的提取方法 | 第41-42页 |
| 3.4 基于骨骼关节点的特征提取方法 | 第42-47页 |
| 3.4.1 关节对位置特征提取 | 第43页 |
| 3.4.2 局部行为特征提取 | 第43-44页 |
| 3.4.3 傅里叶时间金字塔特征表示 | 第44-47页 |
| 第4章 模型的训练 | 第47-55页 |
| 4.1 二分类支持向量机 | 第47页 |
| 4.2 多分类支持向量机 | 第47-48页 |
| 4.3 级联SVM的学习训练 | 第48-51页 |
| 4.4 数据集 | 第51-55页 |
| 4.4.1 KARD数据集 | 第51-52页 |
| 4.4.2 CAD-60数据集 | 第52页 |
| 4.4.3 UT Kinect数据集 | 第52-53页 |
| 4.4.4 MSRDailyActivity3D数据集 | 第53-54页 |
| 4.4.5 本文的真实场景数据集 | 第54-55页 |
| 第5章 算法评估 | 第55-68页 |
| 5.1 基线 | 第55页 |
| 5.1.1 RGB | 第55页 |
| 5.1.2 RGB-DEP | 第55页 |
| 5.1.3 RGB-DEP-SKE | 第55页 |
| 5.2 实验结果和分析 | 第55-68页 |
| 5.2.1 KARD数据集的实验结果 | 第56-59页 |
| 5.2.2 CAD-60数据集的实验结果 | 第59-62页 |
| 5.2.3 UT Kinect数据集的实验结果 | 第62-65页 |
| 5.2.4 MSRDailyActivity3D数据集的实验结果 | 第65-66页 |
| 5.2.5 本文真实场景数据集的实验结果 | 第66-68页 |
| 第6章 总结与展望 | 第68-70页 |
| 6.1 总结 | 第68页 |
| 6.2 展望 | 第68-70页 |
| 参考文献 | 第70-75页 |
| 攻读硕士期间公开发表论文 | 第75-76页 |
| 致谢 | 第76页 |