| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 人体动作识别的研究背景及意义 | 第9页 |
| 1.2 人体动作识别的主要方法 | 第9-12页 |
| 1.2.1 视频特征的提取 | 第10-11页 |
| 1.2.2 动作识别与分类 | 第11-12页 |
| 1.3 本文的主要工作和内容安排 | 第12-14页 |
| 1.3.1 本文的主要工作 | 第12-13页 |
| 1.3.2 本文的内容安排 | 第13-14页 |
| 第二章 相关工作 | 第14-18页 |
| 2.1 基于单模态的人体动作识别的相关研究 | 第14-15页 |
| 2.2 基于多模态的人体动作识别的相关研究 | 第15-16页 |
| 2.3 基于跨域学习算法的人体动作识别的相关研究 | 第16页 |
| 2.4 本章小结 | 第16-18页 |
| 第三章 基于RGBD协同稀疏表达的人体动作识别算法 | 第18-33页 |
| 3.1 基于RGBD协同稀疏表达的人体动作识别算法 | 第18-21页 |
| 3.1.1 RGB图像稠密轨迹特征提取 | 第19页 |
| 3.1.2 深度图像特征提取 | 第19页 |
| 3.1.3 协同稀疏表达学习模型 | 第19-21页 |
| 3.2 实验设置 | 第21-24页 |
| 3.2.1 多模态数据集 | 第21-23页 |
| 3.2.2 数据集划分 | 第23页 |
| 3.2.3 实验参数设置 | 第23-24页 |
| 3.3 实验结果及性能分析 | 第24-32页 |
| 3.3.1 单模态实验结果及性能分析 | 第24-26页 |
| 3.3.2 多模态实验结果及性能分析 | 第26-28页 |
| 3.3.3 与其它算法对比分析 | 第28-29页 |
| 3.3.4 CSR算法稳定性分析 | 第29-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 基于跨域学习的开放域动作识别算法 | 第33-45页 |
| 4.1 基于跨域学习的人体动作识别的框架 | 第33-34页 |
| 4.2 不同的跨域学习算法 | 第34-37页 |
| 4.2.1 SVM-A模型 | 第34-35页 |
| 4.2.2 SVM-T模型 | 第35页 |
| 4.2.3 FR模型 | 第35-36页 |
| 4.2.4 MKL模型 | 第36页 |
| 4.2.5 DT-MKL模型 | 第36-37页 |
| 4.2.6 A-MKL模型 | 第37页 |
| 4.3 开放域数据集 | 第37-40页 |
| 4.3.1 公共数据集 | 第38-39页 |
| 4.3.2 开放域动作识别数据集 | 第39-40页 |
| 4.4 实验结果与分析 | 第40-44页 |
| 4.4.1 实验设置 | 第40页 |
| 4.4.2 SVM模型在ODAR数据集上的实验分析 | 第40-41页 |
| 4.4.3 跨域学习模型在开放域数据集上的实验分析 | 第41-43页 |
| 4.4.4 与其他算法比较 | 第43-44页 |
| 4.5 本章小结 | 第44-45页 |
| 第五章 基于视频的实时动作识别系统 | 第45-52页 |
| 5.1 基于视频的实时动作识别系统框架 | 第45-47页 |
| 5.1.1 动作识别算法框架 | 第45-46页 |
| 5.1.2 系统总体功能框架 | 第46页 |
| 5.1.3 系统流程图 | 第46-47页 |
| 5.2 系统设计开发 | 第47-51页 |
| 5.2.1 开发环境 | 第47页 |
| 5.2.2 开发语言 | 第47页 |
| 5.2.3 系统界面 | 第47-48页 |
| 5.2.4 系统功能模块设计 | 第48-51页 |
| 5.3 本章小结 | 第51-52页 |
| 第六章 总结与展望 | 第52-54页 |
| 6.1 总结 | 第52-53页 |
| 6.2 未来工作展望 | 第53-54页 |
| 参考文献 | 第54-59页 |
| 发表论文和科研情况 | 第59-60页 |
| 致谢 | 第60页 |
