视频中的人体行为识别算法研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-20页 |
| ·选题的背景和意义 | 第9-11页 |
| ·行为识别综述和存在的问题 | 第11-12页 |
| ·行为识别国内外研究现状 | 第12-18页 |
| ·基于全局特征的行为识别方法 | 第14-16页 |
| ·基于局部特征的识别方法 | 第16-17页 |
| ·状态空间描述法 | 第17-18页 |
| ·本文的研究内容与结构安排 | 第18-20页 |
| 第二章 传统基于全局时空特征的人体行为识别 | 第20-31页 |
| ·人体运动轨迹的提取和分析 | 第20-24页 |
| ·视频流图像的预处理 | 第20-21页 |
| ·运动能量图像 | 第21-22页 |
| ·运动历史图像 | 第22-24页 |
| ·MEI-MHI图像特征提取和匹配 | 第24-26页 |
| ·Hu矩的计算 | 第24-25页 |
| ·行为匹配方法 | 第25-26页 |
| ·参数设置以及结果分析 | 第26-30页 |
| ·参数设置 | 第26-27页 |
| ·结果分析 | 第27-30页 |
| ·算法评价 | 第30页 |
| ·本章小结 | 第30-31页 |
| 第三章 人体行为局部时空特征点检测 | 第31-41页 |
| ·Harris角点检测 | 第31-35页 |
| ·2D-Harris角点检测 | 第31-33页 |
| ·3D-Harris角点检测 | 第33-34页 |
| ·3D-Harris角点检测结果及分析 | 第34-35页 |
| ·基于Gabor滤波器的特征点提取 | 第35-39页 |
| ·Dollar时空3D特征提取 | 第35-36页 |
| ·Dollar时空特征提取结果 | 第36-38页 |
| ·改进的Dollar特征值提取 | 第38-39页 |
| ·三种提取方法结果比较 | 第39-40页 |
| ·本章小结 | 第40-41页 |
| 第四章 局部时空特征点的描述 | 第41-52页 |
| ·基于梯度和光流的特征描述子 | 第41-44页 |
| ·特征点描述块的提取 | 第41-42页 |
| ·基于梯度的特征点描述子生成 | 第42-43页 |
| ·基于光流的特征点描述子 | 第43-44页 |
| ·基于3D-SIFT、算法的特征点描述 | 第44-49页 |
| ·2D-SIFT方法简介 | 第44-46页 |
| ·3D-SIFT特征描述 | 第46-49页 |
| ·各描述子参数设置和结果分析 | 第49-51页 |
| ·本章小结 | 第51-52页 |
| 第五章 行为的分类和识别 | 第52-68页 |
| ·特征的词袋法描述 | 第52-54页 |
| ·K均值聚类简介 | 第52-53页 |
| ·词袋法 | 第53-54页 |
| ·PLSA模型分析 | 第54-61页 |
| ·LSA模型简介 | 第54-55页 |
| ·PLSA模型介绍 | 第55-57页 |
| ·EM算法 | 第57-59页 |
| ·PLSA在行为描述中的应用 | 第59-61页 |
| ·行为识别结果展示 | 第61-67页 |
| ·基于直方图的匹配结果 | 第61-63页 |
| ·加入PLSA的匹配结果 | 第63-67页 |
| ·本章小结 | 第67-68页 |
| 第六章 结束语 | 第68-70页 |
| ·总结 | 第68-69页 |
| ·展望 | 第69-70页 |
| 致谢 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 攻硕期间取得的研究成果 | 第75页 |
