基于流形学习的人体动作识别方法研究
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-20页 |
| 1.1 课题研究背景与意义 | 第8-9页 |
| 1.2 动作识别的国内外研究现状 | 第9-15页 |
| 1.2.1 动作特征提取方法 | 第9-12页 |
| 1.2.2 动作建模与分类 | 第12-14页 |
| 1.2.3 动作识别研究面临的挑战 | 第14-15页 |
| 1.3 流形学习的研究现状及其在动作识别中的应用 | 第15-17页 |
| 1.3.1 流形学习的研究现状 | 第15-17页 |
| 1.3.2 流形学习在动作识别中的应用 | 第17页 |
| 1.4 本文的主要工作 | 第17-18页 |
| 1.5 论文的结构安排 | 第18-20页 |
| 2 基于流形学习的动作识别 | 第20-42页 |
| 2.1 经典的流形学习算法 | 第20-25页 |
| 2.1.1 等距映射（ISOMAP） | 第20-21页 |
| 2.1.2 局部线性嵌入（LLE） | 第21-23页 |
| 2.1.3 拉普拉斯特征映射（LE） | 第23-24页 |
| 2.1.4 局部切空间排列（LTSA） | 第24-25页 |
| 2.2 基于流形学习的动作识别框架 | 第25-33页 |
| 2.2.1 运动目标检测 | 第26-28页 |
| 2.2.2 动作特征提取 | 第28-30页 |
| 2.2.3 基于流形学习的特征降维 | 第30-31页 |
| 2.2.4 基于DTW的分类器设计 | 第31-33页 |
| 2.3 实验结果与分析 | 第33-39页 |
| 2.4 流形学习在特征降维过程中存在的问题 | 第39-40页 |
| 2.5 本章小结 | 第40-42页 |
| 3 基于非连通流形学习算法的特征降维 | 第42-54页 |
| 3.1 针对非连通数据的流形学习算法 | 第42-43页 |
| 3.1.1 基于谱聚类的非连通流形数据预处理 | 第42-43页 |
| 3.1.2 基于流形学习的数据降维 | 第43页 |
| 3.2 实验结果与分析 | 第43-52页 |
| 3.2.1 人造数据集实验与分析 | 第43-47页 |
| 3.2.2 动作数据库实验与分析 | 第47-52页 |
| 3.3 本章小结 | 第52-54页 |
| 4 基于增量LE算法的特征降维 | 第54-70页 |
| 4.1 基于LE的增量流形学习算法 | 第54-65页 |
| 4.1.1 Nystr?m近似 | 第54-55页 |
| 4.1.2 增量LE改进算法 | 第55-57页 |
| 4.1.3 增量非连通LE改进算法 | 第57页 |
| 4.1.4 实验结果与分析 | 第57-65页 |
| 4.2 改进的分类器设计 | 第65-69页 |
| 4.2.1 基于KNN和DTW的改进分类器 | 第65-66页 |
| 4.2.2 实验结果与分析 | 第66-69页 |
| 4.3 本章小结 | 第69-70页 |
| 5 总结与展望 | 第70-72页 |
| 5.1 本文主要工作总结 | 第70页 |
| 5.2 未来研究工作展望 | 第70-72页 |
| 致谢 | 第72-74页 |
| 参考文献 | 第74-80页 |
| 附录 | 第80页 |
| A. 攻读硕士学位期间发表的论文 | 第80页 |
| B. 攻读硕士学位期间申请的专利 | 第80页 |
| C. 攻读硕士学位期间参与的项目 | 第80页 |
