视频中基于时间序列分析的人体动作识别技术的研究与实现
摘要 | 第1-6页 |
Abstract | 第6-11页 |
第1章 绪论 | 第11-17页 |
·人体动作识别的意义 | 第11-12页 |
·人体动作识别相关概念和研究现状 | 第12-15页 |
·研究问题的提出 | 第15-16页 |
·本文主要工作 | 第16页 |
·论文的主要内容 | 第16-17页 |
第2章 相关理论与技术 | 第17-31页 |
·人体动作目标的检测 | 第17-18页 |
·背景减除 | 第17页 |
·时间差分 | 第17页 |
·光流法 | 第17-18页 |
·特征提取 | 第18-20页 |
·非模型的方法 | 第18-19页 |
·基于模型的方法 | 第19-20页 |
·识别 | 第20-23页 |
·基于模板的方法 | 第20-21页 |
·概率统计方法 | 第21-22页 |
·基于语法的方法 | 第22-23页 |
·维度规约 | 第23-24页 |
·小波变换 | 第23页 |
·主成分分析 | 第23-24页 |
·时间序列分析 | 第24-28页 |
·研究实质与假设 | 第24-25页 |
·变动特点 | 第25页 |
·差分运算与后移算子 | 第25-26页 |
·平稳序列自回归移动平均 | 第26-27页 |
·非平稳序列的确定性分析 | 第27-28页 |
·本章小结 | 第28-31页 |
第3章 基于时间序列分析的人体动作识别系统架构 | 第31-37页 |
·图像及视频识别系统基本框图 | 第31-32页 |
·图像识别系统基本框架 | 第31-32页 |
·视频中的识别系统基本框架 | 第32页 |
·基于时间序列分析的人体运动识别系统框架 | 第32-34页 |
·本系统框架图 | 第32-33页 |
·模块划分 | 第33-34页 |
·人体动作识别系统功能 | 第34-35页 |
·特征提取模块 | 第34页 |
·特征表示模块 | 第34-35页 |
·动作识别模块 | 第35页 |
·本章小结 | 第35-37页 |
第4章 视频特征提取 | 第37-49页 |
·问题提出 | 第37-39页 |
·静态图像特征 | 第37-38页 |
·时变图像特征 | 第38页 |
·人体动作识别中特征提取研究 | 第38-39页 |
·时空轮廓 | 第39-41页 |
·轮廓 | 第39-40页 |
·轮廓提取 | 第40页 |
·轮廓表示 | 第40-41页 |
·图像纵横比 | 第41-43页 |
·非线性维度归约 | 第43-44页 |
·核主成分分析KPCA将时空轮廓转换成时间序列 | 第43-44页 |
·实验结果和分析 | 第44-47页 |
·由视频转换得到的时间序列 | 第46-47页 |
·本章小结 | 第47-49页 |
第5章 视频时间序列特征分析 | 第49-57页 |
·问题提出 | 第49-50页 |
·符号表示 | 第50页 |
·趋势和季节性分析 | 第50-52页 |
·loess回归 | 第50-51页 |
·基于loess的季节趋势分解 | 第51-52页 |
·自相似性分析 | 第52-53页 |
·自相似性 | 第52-53页 |
·赫斯特指数 | 第53页 |
·周期特征提取 | 第53-55页 |
·自相关函数 | 第54页 |
·周期估计 | 第54-55页 |
·周期特征表示 | 第55页 |
·实验结果 | 第55-56页 |
·本章小结 | 第56-57页 |
第6章 基于时间序列特征的视频中人体动作识别 | 第57-67页 |
·问题提出 | 第57-58页 |
·时间序列特征表示 | 第58页 |
·基于K-近邻算法的识别 | 第58-60页 |
·简单的k-近邻算法 | 第58-59页 |
·对k-近邻算法的改进 | 第59-60页 |
·带拒绝的k-近邻算法 | 第60页 |
·对未知实例的处理 | 第60-63页 |
·DBSCAN算法 | 第61-62页 |
·参数选择及距离计算 | 第62-63页 |
·实验结果 | 第63-66页 |
·不同特征的比较 | 第63-64页 |
·对未知实例的实验分析 | 第64-66页 |
·本章小结 | 第66-67页 |
第7章 总结与展望 | 第67-69页 |
·本文工作总结 | 第67页 |
·进一步的工作 | 第67-69页 |
参考文献 | 第69-73页 |
致谢 | 第73-75页 |
攻硕期间参与项目及发表的论文 | 第75页 |