| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-11页 |
| 1.1 研究背景和意义 | 第7-8页 |
| 1.2 行为识别技术研究现状 | 第8-10页 |
| 1.3 论文主要研究内容及安排 | 第10-11页 |
| 第二章 人体行为识别相关技术简介 | 第11-22页 |
| 2.1 基于RGB数据的行为识别技术 | 第11-14页 |
| 2.1.1 RGB视频图像的运动检测 | 第11-12页 |
| 2.1.2 RGB视频数据的常用特征 | 第12-14页 |
| 2.2 基于深度数据的行为识别技术 | 第14-18页 |
| 2.2.1 深度图的获取技术 | 第14-16页 |
| 2.2.2 深度图像常用特征 | 第16-18页 |
| 2.3 基于 3D骨骼的行为识别技术 | 第18-21页 |
| 2.3.1 3D骨骼信息的获取技术 | 第18-19页 |
| 2.3.2 3D骨骼信息的人体行为识别 | 第19-21页 |
| 2.4 本章小结 | 第21-22页 |
| 第三章 基于混合关节特征的行为识别 | 第22-37页 |
| 3.1 混合关节特征提取 | 第22-25页 |
| 3.1.1 关节点动能特征 | 第22-23页 |
| 3.1.2 方向变化特征 | 第23-24页 |
| 3.1.3 人体姿态势能特征 | 第24页 |
| 3.1.4 关节角特征 | 第24-25页 |
| 3.2 LSTM神经网络 | 第25-30页 |
| 3.2.1 LSTM产生的原因 | 第25-27页 |
| 3.2.2 LSTM神经网络训练模型 | 第27页 |
| 3.2.3 LSTM单元更新 | 第27-30页 |
| 3.3 实验结果与分析 | 第30-36页 |
| 3.3.1 MSR Action 3D数据库 | 第30-31页 |
| 3.3.2 MSR Daily Activity 3D数据库 | 第31-32页 |
| 3.3.3 UTKinect Action 3D数据库 | 第32-33页 |
| 3.3.4 实验设置 | 第33页 |
| 3.3.5 基于混合关节的行为识别效果分析 | 第33-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 基于多模态特征的行为识别 | 第37-48页 |
| 4.1 基于HDMM的深度特征提取 | 第37-39页 |
| 4.2 多模态行为识别的算法流程 | 第39-41页 |
| 4.3 基于多模态特征分类器的识别算法 | 第41-43页 |
| 4.4 基于多模态特征的行为识别效果分析 | 第43-46页 |
| 4.5 时间开销实验 | 第46页 |
| 4.6 本章小结 | 第46-48页 |
| 总结与展望 | 第48-50页 |
| 本论文工作小结 | 第48页 |
| 工作展望 | 第48-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 附录: 作者在攻读硕士学位期间发表的论文 | 第55页 |