| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 人体行为识别所涉及的技术 | 第11-14页 |
| 1.2.1 人体行为特征提取与建模 | 第11-12页 |
| 1.2.2 人体行为特征描述和融合 | 第12-13页 |
| 1.2.3 人体行为识别与分类方法 | 第13-14页 |
| 1.3 主要研究内容 | 第14页 |
| 1.4 论文的结构安排 | 第14-16页 |
| 第2章 基于兴趣点行为识别方法研究 | 第16-30页 |
| 2.1 人体行为的兴趣点提取方法 | 第16-22页 |
| 2.1.1 Harris 3D检测器 | 第17-19页 |
| 2.1.2 Dollar检测器 | 第19-20页 |
| 2.1.3 Bregonzio检测器 | 第20-22页 |
| 2.1.4 兴趣点提取方法比较 | 第22页 |
| 2.2 人体行为的特征表示 | 第22-25页 |
| 2.2.1 基于外观形状特征的模型 | 第22-24页 |
| 2.2.2 基于运动特征的模型 | 第24-25页 |
| 2.2.3 基于多特征融合模型 | 第25页 |
| 2.3 人体行为识别的分类方法 | 第25-29页 |
| 2.3.1 直接分类识别方法 | 第25-27页 |
| 2.3.2 基于词袋模型的分类方法 | 第27-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第3章 基于相邻空间兴趣点融合的特征方法 | 第30-43页 |
| 3.1 问题提出 | 第30页 |
| 3.2 行为特征描述与融合 | 第30-33页 |
| 3.2.1 特征融合的模型 | 第30-31页 |
| 3.2.2 基于全局外观比例特征的描述 | 第31-32页 |
| 3.2.3 运动质心和相邻帧速特征描述 | 第32-33页 |
| 3.3 相邻空间融合的相关算法 | 第33-36页 |
| 3.3.1 相邻空间特征融合基本流程 | 第33-34页 |
| 3.3.2 V-PDI特征融合算法 | 第34-35页 |
| 3.3.3 特征量化与选择算法 | 第35-36页 |
| 3.3.4 KNN分类算法 | 第36页 |
| 3.4 实验结果与分析 | 第36-42页 |
| 3.4.1 实验环境和数据 | 第36-37页 |
| 3.4.2 实验结果与分析 | 第37-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 基于尺度混合特征的特征方法 | 第43-53页 |
| 4.1 问题提出 | 第43页 |
| 4.2 尺度混合的特征融合 | 第43-45页 |
| 4.2.1 尺度混合的模型 | 第43-44页 |
| 4.2.2 尺度混合特征的描述 | 第44-45页 |
| 4.3 尺度混合的特征提取算法 | 第45-48页 |
| 4.3.1 尺度混合特征融合基本流程 | 第45-46页 |
| 4.3.2 SV-PDI特征融合算法 | 第46-47页 |
| 4.3.3 特征量化与选择算法 | 第47-48页 |
| 4.3.4 尺度混合特征的SVM流程 | 第48页 |
| 4.4 实验结果与分析 | 第48-52页 |
| 4.4.1 实验环境和数据 | 第48-49页 |
| 4.4.2 实验结果与分析 | 第49-52页 |
| 4.5 本章小结 | 第52-53页 |
| 第5章 基于多核学习MKL的人体行为识别方法 | 第53-62页 |
| 5.1 问题提出 | 第53页 |
| 5.2 多核学习的模型描述 | 第53-58页 |
| 5.2.1 多核学习的基本流程 | 第54页 |
| 5.2.2 多核线性组合方法 | 第54-56页 |
| 5.2.3 简单多核学(Simple MKL)原理 | 第56-58页 |
| 5.3 简单多核学Simple MKL算法 | 第58-59页 |
| 5.4 实验结果与分析 | 第59-61页 |
| 5.4.1 实验环境和数据 | 第59页 |
| 5.4.2 实验结果与分析 | 第59-61页 |
| 5.5 本章小结 | 第61-62页 |
| 第6章 总结与展望 | 第62-64页 |
| 6.1 本文总结 | 第62页 |
| 6.2 未来展望 | 第62-64页 |
| 参考文献 | 第64-69页 |
| 致谢 | 第69页 |