基于视觉的人体行为及手势识别算法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 研究现状 | 第11-16页 |
| 1.2.1 行为识别研究现状 | 第11-14页 |
| 1.2.2 手势识别研究现状 | 第14-16页 |
| 1.3 本文的主要内容及结构 | 第16-18页 |
| 第二章 相关理论研究 | 第18-28页 |
| 2.1 行为识别技术概述 | 第18-23页 |
| 2.1.1 特征提取 | 第18-22页 |
| 2.1.2 行为描述 | 第22-23页 |
| 2.2 手势识别技术概述 | 第23-27页 |
| 2.2.1 手势分割 | 第24-26页 |
| 2.2.2 特征提取 | 第26-27页 |
| 2.3 本章总结 | 第27-28页 |
| 第三章 基于特征层融合和随机投影的行为识别算法 | 第28-42页 |
| 3.1 问题概述 | 第28-29页 |
| 3.2 特征的提取与表示 | 第29-34页 |
| 3.2.1 时空兴趣点检测 | 第29-30页 |
| 3.2.2 时空梯度描述符 | 第30-31页 |
| 3.2.3 时空Gabor描述符 | 第31-32页 |
| 3.2.4 特征层融合和随机投影 | 第32-34页 |
| 3.2.5 码本表示 | 第34页 |
| 3.3 主题贝叶斯参数估计模型 | 第34-36页 |
| 3.4 实验结果及分析 | 第36-41页 |
| 3.4.1 KTH数据集中的识别性能 | 第37-39页 |
| 3.4.2 Weizmann数据集中的识别性能 | 第39-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 基于随机投影多核学习的手势识别算法 | 第42-60页 |
| 4.1 问题概述 | 第42-43页 |
| 4.2 预处理 | 第43-47页 |
| 4.2.1 光线补偿 | 第43-44页 |
| 4.2.2 手势分割 | 第44-46页 |
| 4.2.3 特征提取 | 第46-47页 |
| 4.3 字典学习与局部约束线性编码 | 第47-50页 |
| 4.3.1 字典学习 | 第47-48页 |
| 4.3.2 局部约束线性编码 | 第48-50页 |
| 4.4 多核学习 | 第50-53页 |
| 4.5 实验结果及分析 | 第53-59页 |
| 4.5.1 数据采集 | 第53-54页 |
| 4.5.2 实验结果 | 第54-57页 |
| 4.5.3 系统实现 | 第57-59页 |
| 4.6 本章小结 | 第59-60页 |
| 总结与展望 | 第60-62页 |
| 本文工作总结 | 第60页 |
| 后续工作与展望 | 第60-62页 |
| 参考文献 | 第62-69页 |
| 攻读硕士学位期间取得的研究成果 | 第69-70页 |
| 致谢 | 第70-71页 |
| 附件 | 第71页 |
