| 摘要 | 第6-8页 |
| abstract | 第8-9页 |
| 第一章 绪论 | 第10-21页 |
| 1.1 研究的背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-18页 |
| 1.2.1 基于手工特征的动作识别 | 第11-14页 |
| 1.2.2 基于深度学习的动作识别 | 第14-18页 |
| 1.3 研究的主要内容 | 第18-19页 |
| 1.4 本文的结构组织 | 第19-21页 |
| 第二章 数据集简介 | 第21-29页 |
| 2.1 基于Kinect的RGBD数据采集 | 第21-27页 |
| 2.1.1 Kinect简介 | 第21-23页 |
| 2.1.2 基于Kinect的骨架点数据采集 | 第23-24页 |
| 2.1.3 基于Kinect的RGBD数据采集 | 第24-27页 |
| 2.2 ActivityNet200数据集 | 第27-28页 |
| 2.3 本章小结 | 第28-29页 |
| 第三章 基于RGBD数据的多模态动作表示 | 第29-35页 |
| 3.1 基于骨架点数据的人体姿态表示 | 第29-30页 |
| 3.2 基于二值图像的人体姿态表示 | 第30-33页 |
| 3.2.1 基于轮廓的二值图像特征提取 | 第30-31页 |
| 3.2.2 基于剪影宽度的二值图像特征提取 | 第31-33页 |
| 3.3 基于RGB数据的人体姿态表示 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 基于注意力机制融合的骨架点数据人体动作识别 | 第35-50页 |
| 4.1 基于关键点序列的人体动作识别 | 第35-39页 |
| 4.1.1 关键点序列 | 第36-38页 |
| 4.1.2 实验结果与分析 | 第38-39页 |
| 4.1.3 小结 | 第39页 |
| 4.2 基于大间隔最近邻的人体动作识别 | 第39-43页 |
| 4.2.1 大间隔最近邻算法 | 第39-41页 |
| 4.2.2 实验结果与分析 | 第41-43页 |
| 4.2.3 小结 | 第43页 |
| 4.3 基于双向kNN的人体动作识别 | 第43-49页 |
| 4.3.1 基于注意力机制的单模态融合 | 第44-48页 |
| 4.3.2 实验结果与分析 | 第48页 |
| 4.3.3 小结 | 第48-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第五章 基于随机森林加权的二值图像人体动作识别 | 第50-54页 |
| 5.1 基于随机森林加权的单模态融合算法设计 | 第50-52页 |
| 5.2 实验结果与分析 | 第52-53页 |
| 5.3 本章小结 | 第53-54页 |
| 第六章 基于多特征融合的RGB图像人体动作识别 | 第54-59页 |
| 6.1 基于改进一对多支持向量机的多特征融合 | 第54-57页 |
| 6.2 实验结果与分析 | 第57-58页 |
| 6.3 本章小结 | 第58-59页 |
| 第七章 基于RGBD数据多特征融合的工作进度估计 | 第59-65页 |
| 7.1 多模态融合算法设计 | 第59页 |
| 7.2 工作进度的评价指标 | 第59-60页 |
| 7.3 基于RGBD数据多特征融合的工作进度估计 | 第60-62页 |
| 7.4 实验结果与分析 | 第62-64页 |
| 7.5 本章小结 | 第64-65页 |
| 第八章 结论与展望 | 第65-67页 |
| 8.1 结论 | 第65-66页 |
| 8.2 展望 | 第66-67页 |
| 参考文献 | 第67-74页 |
| 致谢 | 第74-75页 |
| 附录 | 第75-76页 |