基于深度学习的行人姿态识别与行为预判算法研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 符号对照表 | 第12-13页 |
| 缩略语对照表 | 第13-16页 |
| 第一章 绪论 | 第16-24页 |
| 1.1 研究背景和意义 | 第16-17页 |
| 1.2 发展历史和研究现状 | 第17-20页 |
| 1.2.1 基于统计的方法 | 第18页 |
| 1.2.2 基于模板的方法 | 第18-19页 |
| 1.2.3 基于深度学习的方法 | 第19-20页 |
| 1.3 主要研究内容和章节安排 | 第20-24页 |
| 第二章 相关理论 | 第24-38页 |
| 2.1 VGG网络 | 第24-26页 |
| 2.1.1 前言 | 第24页 |
| 2.1.2 网络结构 | 第24-26页 |
| 2.2 残差网络 | 第26-29页 |
| 2.2.1 前言 | 第26-28页 |
| 2.2.2 网络结构 | 第28-29页 |
| 2.3 全卷积神经网络 | 第29-33页 |
| 2.3.1 前言 | 第29-31页 |
| 2.3.2 网络结构 | 第31-33页 |
| 2.4 数据集 | 第33-35页 |
| 2.4.1 COCO数据集 | 第33-35页 |
| 2.4.2 MPII数据集 | 第35页 |
| 2.5 算法性能的评价指标 | 第35-36页 |
| 2.6 小结 | 第36-38页 |
| 第三章 基于部分亲和域的多人姿态识别 | 第38-58页 |
| 3.1 网络结构 | 第39页 |
| 3.2 前向运算 | 第39-41页 |
| 3.3 置信热度图 | 第41-43页 |
| 3.3.1 预测过程 | 第41-42页 |
| 3.3.2 训练过程 | 第42-43页 |
| 3.4 部分亲和域 | 第43-48页 |
| 3.4.1 预测过程 | 第44-45页 |
| 3.4.2 训练过程 | 第45-47页 |
| 3.4.3 使用PAF解决多人问题 | 第47-48页 |
| 3.5 网络训练 | 第48-51页 |
| 3.6 手势识别 | 第51-52页 |
| 3.7 实验结果与分析 | 第52-55页 |
| 3.7.1 实验设置 | 第52-53页 |
| 3.7.2 姿态识别结果与分析 | 第53-54页 |
| 3.7.3 手势识别结果与分析 | 第54-55页 |
| 3.7.4 姿态和手势联合应用 | 第55页 |
| 3.8 小结 | 第55-58页 |
| 第四章 基于多特征联合学习的行为预判 | 第58-74页 |
| 4.1 定位人体 | 第58-62页 |
| 4.1.1 背景差分法定位 | 第58-60页 |
| 4.1.2 目标检测网络定位 | 第60-61页 |
| 4.1.3 FCN定位 | 第61-62页 |
| 4.2 网络结构 | 第62-67页 |
| 4.2.2 第一阶段 | 第63-65页 |
| 4.2.3 第二阶段 | 第65-67页 |
| 4.3 NLP提取局部特征 | 第67-68页 |
| 4.4 ResNet提取全局特征 | 第68-69页 |
| 4.5 联合学习 | 第69-71页 |
| 4.6 实验结果与分析 | 第71-73页 |
| 4.7 小结 | 第73-74页 |
| 第五章 总结和展望 | 第74-76页 |
| 5.1 本论文工作总结 | 第74页 |
| 5.2 研究展望 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 致谢 | 第80-82页 |
| 作者简介 | 第82-83页 |
