| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 1 绪论 | 第8-16页 |
| 1.1 课题研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-14页 |
| 1.2.1 序列图像法 | 第10-12页 |
| 1.2.2 时空整体法 | 第12-13页 |
| 1.2.3 现有识别方法的不足 | 第13-14页 |
| 1.3 本文研究内容与章节安排 | 第14-16页 |
| 2 时空兴趣点检测 | 第16-25页 |
| 2.1 常用时空兴趣点检测算法 | 第16-18页 |
| 2.1.1 Cuboid 检测器 | 第16-17页 |
| 2.1.2 Hessian 检测器 | 第17页 |
| 2.1.3 密集采样检测器 | 第17页 |
| 2.1.4 3-D Harris 角点检测器 | 第17-18页 |
| 2.2 二维 Harris 角点检测 | 第18-20页 |
| 2.3 三维时空 Harris 角点检测 | 第20-22页 |
| 2.4 多尺度角点检测 | 第22页 |
| 2.5 三维 Harris 角点检测实验结果 | 第22-24页 |
| 2.6 本章小结 | 第24-25页 |
| 3 局部特征描述子提取 | 第25-42页 |
| 3.1 常用局部特征描述子 | 第25-26页 |
| 3.1.1 Cuboid 描述子 | 第25页 |
| 3.1.2 HOG/HOF 描述子 | 第25-26页 |
| 3.1.3 三维 SIFT 描述子 | 第26页 |
| 3.1.4 3-D HOG 描述子 | 第26页 |
| 3.2 3 -D HOG 描述子建立 | 第26-32页 |
| 3.2.1 时空梯度计算 | 第28页 |
| 3.2.2 梯度方向量化 | 第28-29页 |
| 3.2.3 直方图建立 | 第29页 |
| 3.2.4 描述子建立实验结果 | 第29-32页 |
| 3.3 人体动作表征 | 第32-41页 |
| 3.3.1 视觉词袋模型 | 第33-34页 |
| 3.3.2 K-means 聚类算法 | 第34页 |
| 3.3.3 初始聚类中心选择的改进 | 第34-38页 |
| 3.3.4 动作表征实验结果 | 第38-41页 |
| 3.4 本章小结 | 第41-42页 |
| 4 人体动作分类识别 | 第42-50页 |
| 4.1 k 近邻分类器 | 第42-43页 |
| 4.2 支持向量机 | 第43-49页 |
| 4.2.1 最优分类超平面 | 第43-46页 |
| 4.2.2 核函数 | 第46-48页 |
| 4.2.3 SVM 之多类分类 | 第48-49页 |
| 4.3 本章小结 | 第49-50页 |
| 5 实验结果与分析 | 第50-60页 |
| 5.1 视频库介绍 | 第50-51页 |
| 5.2 人体动作识别实验结果 | 第51-59页 |
| 5.2.1 基于 Weizmann 视频库的实验结果 | 第51-54页 |
| 5.2.2 基于 KTH 视频库的实验结果 | 第54-57页 |
| 5.2.3 实验结果比较 | 第57-59页 |
| 5.3 本章小结 | 第59-60页 |
| 6 总结与展望 | 第60-62页 |
| 6.1 全文总结 | 第60-61页 |
| 6.2 工作展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-66页 |