| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题来源 | 第9页 |
| 1.2 课题研究背景及意义 | 第9-10页 |
| 1.3 国内外研究现状 | 第10-14页 |
| 1.3.1 姿态估计研究现状 | 第11-13页 |
| 1.3.2 行为识别研究现状 | 第13-14页 |
| 1.3.3 技术难点和关键问题 | 第14页 |
| 1.4 论文主要内容和组织结构 | 第14-16页 |
| 第2章 视频中人体姿态的关节定位 | 第16-33页 |
| 2.1 人体姿态估计 | 第16-17页 |
| 2.2 基于N-Best算法的姿态估计 | 第17-22页 |
| 2.2.1 N-Best算法分析 | 第18-20页 |
| 2.2.2 可分解姿态的算法优化 | 第20-22页 |
| 2.3 基于N-Best算法姿态估计的改进 | 第22-27页 |
| 2.3.1 引入肢体分解概念 | 第22-24页 |
| 2.3.2 肢体序列生成及姿态重组 | 第24-26页 |
| 2.3.3 基于肢体序列候选集的优化 | 第26-27页 |
| 2.4 实验结果及分析 | 第27-31页 |
| 2.5 本章小结 | 第31-33页 |
| 第3章 基于全局时空流卷积神经网络的行为识别 | 第33-45页 |
| 3.1 卷积神经网络 | 第33-37页 |
| 3.1.1 卷积神经网络核心思想 | 第33-35页 |
| 3.1.2 卷积神经网络结构 | 第35-37页 |
| 3.2 基于时空流卷积神经网络行为识别 | 第37-41页 |
| 3.2.1 时空流卷积网络结构 | 第37-41页 |
| 3.2.2 多任务学习 | 第41页 |
| 3.3 实验结果及分析 | 第41-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第4章 基于全局与局部时空流卷积神经网络的行为识别 | 第45-56页 |
| 4.1 系统设计框架 | 第45-47页 |
| 4.2 基于全局与局部时空流卷积网络的实现 | 第47-51页 |
| 4.2.1 局部区域分割 | 第47-48页 |
| 4.2.2 引入关节部位的结构约束 | 第48-50页 |
| 4.2.3 基于时空流卷积神经网络的特征提取 | 第50-51页 |
| 4.3 实验结果与分析 | 第51-55页 |
| 4.3.1 实验结果 | 第51-53页 |
| 4.3.2 实验分析 | 第53-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第5章 总结和展望 | 第56-58页 |
| 5.1 课题总结 | 第56-57页 |
| 5.2 课题展望 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 攻读学位期间获得与学位论文相关的科研成果目录 | 第63页 |