基于多特征的人体行为识别的研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 专用术语注释表 | 第7-8页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景与意义 | 第8-9页 |
| 1.2 行为识别的研究现状及本文主要研究点 | 第9-11页 |
| 1.3 本文的结构安排 | 第11-13页 |
| 第二章 人体行为识别综述 | 第13-22页 |
| 2.1 基于计算机视觉的行为识别 | 第13-14页 |
| 2.2 基于加速度传感器的行为识别 | 第14-21页 |
| 2.2.1 加速度数据采集 | 第15-16页 |
| 2.2.2 预处理方法 | 第16-17页 |
| 2.2.3 特征提取与选择 | 第17-21页 |
| 2.3 本章小结 | 第21-22页 |
| 第三章 基于加速度传感器的人体行为识别方法 | 第22-37页 |
| 3.1 常用分类算法 | 第22-24页 |
| 3.2 统计模式识别算法 | 第24-30页 |
| 3.2.1 支持向量机 | 第24-27页 |
| 3.2.2 K近邻法 | 第27-29页 |
| 3.2.3 朴素贝叶斯 | 第29-30页 |
| 3.3 改进KNN算法 | 第30-36页 |
| 3.3.1 ReliefF算法计算特征权重 | 第31-33页 |
| 3.3.2 加权KNN算法 | 第33页 |
| 3.3.3 性能分析 | 第33-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 基于稀疏表示的加速度传感器行为识别方法 | 第37-53页 |
| 4.1 稀疏表示方法理论基础 | 第37-39页 |
| 4.2 测量矩阵的设计 | 第39-40页 |
| 4.3 信号的稀疏重构算法 | 第40-42页 |
| 4.3.1 常用稀疏重构算法 | 第40-41页 |
| 4.3.2 基于基追踪算法的信号重构 | 第41页 |
| 4.3.3 基于正交匹配追踪算法的信号重构 | 第41-42页 |
| 4.4 稀疏表示分类算法 | 第42-48页 |
| 4.4.1 稀疏表示分类算法分析 | 第42-44页 |
| 4.4.2 稀疏近邻表示算法 | 第44-47页 |
| 4.4.3 性能分析 | 第47-48页 |
| 4.5 基于块稀疏贝叶斯学习的人体行为识别算法 | 第48-52页 |
| 4.5.1 基于BSBL算法的人体行为识别分析 | 第49-51页 |
| 4.5.2 性能分析 | 第51-52页 |
| 4.6 本章小结 | 第52-53页 |
| 第五章 总结与展望 | 第53-55页 |
| 5.1 工作总结 | 第53-54页 |
| 5.2 研究展望 | 第54-55页 |
| 参考文献 | 第55-58页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第58-59页 |
| 致谢 | 第59页 |
