摘要 | 第4-5页 |
abstract | 第5-6页 |
第1章 绪论 | 第12-19页 |
1.1 研究背景及意义 | 第12-13页 |
1.2 国内外研究现状 | 第13-17页 |
1.2.1 行为数据采集的国内外研究现状 | 第13-14页 |
1.2.2 人体行为识别的国内外研究现状 | 第14-15页 |
1.2.3 基于深度学习的行为识别算法国内外研究现状 | 第15-17页 |
1.3 本文主要研究内容与章节安排 | 第17-19页 |
1.3.1 主要研究内容 | 第17-18页 |
1.3.2 章节安排 | 第18-19页 |
第2章 基于深度学习人体行为识别相关理论 | 第19-28页 |
2.1 人体行为数据表示方法 | 第19-21页 |
2.1.1 基于骨骼点的人体行为表示 | 第19-21页 |
2.1.2 人体关键部位速度的采集方法 | 第21页 |
2.2 生成式对抗网络 | 第21-24页 |
2.2.1 生成式对抗网络思想 | 第21-22页 |
2.2.2 生成式对抗网络原理 | 第22-23页 |
2.2.3 生成式对抗网络结构 | 第23-24页 |
2.3 循环神经网络 | 第24-25页 |
2.3.1 循环神经网络思想 | 第24页 |
2.3.2 循环神经网络结构 | 第24-25页 |
2.4 长短期记忆网络 | 第25-27页 |
2.5 本章小节 | 第27-28页 |
第3章 扩展人体行为数据集的方法 | 第28-38页 |
3.1 人体行为数据的预处理 | 第28-29页 |
3.2 RNN处理人体行为数据集方法 | 第29-33页 |
3.2.1 生成器RNN结构 | 第30-32页 |
3.2.2 鉴定器CNN网络设计 | 第32-33页 |
3.3 RGAN扩展数据集方法 | 第33-37页 |
3.3.1 骨骼数据初始化 | 第34页 |
3.3.2 RGAN网络结构 | 第34-35页 |
3.3.3 RGAN网络的训练 | 第35-37页 |
3.4 本章小结 | 第37-38页 |
第4章 基于滤波的时空LSTM行为识别方法 | 第38-54页 |
4.1 基于时空相关性的LSTM行为识别方法 | 第38-46页 |
4.1.1 时间相关性的LSTM行为识别算法 | 第38-40页 |
4.1.2 空间相关性的LSTM行为识别算法 | 第40-41页 |
4.1.3 基于时空相关性的LSTM行为识别算法 | 第41-43页 |
4.1.4 骨骼数据的链式表示算法 | 第43-46页 |
4.2 数据集噪声滤波方法 | 第46-49页 |
4.2.1 数据集噪声滤波的必要性 | 第47页 |
4.2.2 数据集噪声的滤波算法 | 第47-49页 |
4.3 基于噪声抑制的时空LSTM行为识别方法 | 第49-53页 |
4.3.1 STLSTM算法具体步骤 | 第49-50页 |
4.3.2 STLSTM-NF的网络结构 | 第50-51页 |
4.3.3 STLSTM-NF算法实现 | 第51-53页 |
4.4 本章小结 | 第53-54页 |
第5章 实验结果及分析 | 第54-74页 |
5.1 设备及软硬件环境 | 第54-57页 |
5.1.1 硬件实验环境 | 第54-55页 |
5.1.2 软件实验环境 | 第55-57页 |
5.2 实验数据集 | 第57-59页 |
5.2.1 UT-Kinect数据集 | 第57-58页 |
5.2.2 MSRAction3D数据集 | 第58-59页 |
5.3 实验评价标准 | 第59-60页 |
5.3.1 RGAN算法评价标准 | 第59-60页 |
5.3.2 STLSTM-NF算法评测标准 | 第60页 |
5.4 实验结果及分析 | 第60-73页 |
5.4.1 RGAN系统关键参数变化 | 第60-62页 |
5.4.2 RGAN算法实验结果及分析 | 第62-66页 |
5.4.3 STLSTM-NF算法实验结果及分析 | 第66-71页 |
5.4.4 STLSTM-NF算法的滤波模块参数实验 | 第71-72页 |
5.4.5 RGAN+STLSTM-NF算法实验结果及分析 | 第72-73页 |
5.5 本章小结 | 第73-74页 |
第6章 总结与展望 | 第74-76页 |
6.1 总结 | 第74页 |
6.2 进一步工作方向 | 第74-76页 |
致谢 | 第76-77页 |
参考文献 | 第77-80页 |