基于视频的人体姿势预测与跟踪
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-13页 |
| 第一章 绪论 | 第13-25页 |
| ·研究背景 | 第13-14页 |
| ·应用范围 | 第14-17页 |
| ·智能视频监控 | 第14-15页 |
| ·数字娱乐 | 第15-16页 |
| ·在线试装 | 第16页 |
| ·人形机器人 | 第16页 |
| ·体育和医疗 | 第16-17页 |
| ·研究方法 | 第17-18页 |
| ·生成模型 | 第17页 |
| ·辨别模型 | 第17-18页 |
| ·结合生成模型与辨别模型 | 第18页 |
| ·研究热点问题 | 第18-21页 |
| ·降低数据维度 | 第18-19页 |
| ·动态模型及多运动模型 | 第19-21页 |
| ·多线索融合 | 第21页 |
| ·本文贡献 | 第21-23页 |
| ·本文组织 | 第23-25页 |
| 第二章 数据预处理 | 第25-36页 |
| ·静态图像分割 | 第25-27页 |
| ·蛇形算法 | 第25-26页 |
| ·水平集 | 第26-27页 |
| ·运动物体检测 | 第27-29页 |
| ·帧差法 | 第27-28页 |
| ·光流法 | 第28页 |
| ·背景差 | 第28-29页 |
| ·形态学滤波 | 第29页 |
| ·阴影去除 | 第29-33页 |
| ·Phong光照模型 | 第30-31页 |
| ·椭球法阴影检测 | 第31-32页 |
| ·构建椭球模型 | 第32-33页 |
| ·判别阴影像素 | 第33页 |
| ·实验结果 | 第33-35页 |
| ·本章小结 | 第35-36页 |
| 第三章 基于图模型势预测的2D人体姿 | 第36-46页 |
| ·引言 | 第36页 |
| ·概率图模型 | 第36-40页 |
| ·贝叶斯网络 | 第37-38页 |
| ·马尔科夫随机场 | 第38-40页 |
| ·人体骨架模型 | 第40-41页 |
| ·一种分层的姿势估计 | 第41-44页 |
| ·先验分布建模 | 第41-43页 |
| ·似然比建模 | 第43页 |
| ·节点初始化 | 第43-44页 |
| ·实验结果 | 第44-45页 |
| ·本章小结 | 第45-46页 |
| 第四章 基于子空间回归的3D人体姿势预测 | 第46-83页 |
| ·特征提取 | 第46-52页 |
| ·尺度不变特征 | 第46-48页 |
| ·形状上下文 | 第48-51页 |
| ·有向梯度直方图 | 第51-52页 |
| ·姿势表达 | 第52-55页 |
| ·欧拉角 | 第52-53页 |
| ·四元数 | 第53-54页 |
| ·指数映射 | 第54-55页 |
| ·子空间学习 | 第55-60页 |
| ·主成分分析 | 第56-57页 |
| ·因子分析 | 第57-59页 |
| ·基于核的主成分分析 | 第59-60页 |
| ·流形学习 | 第60-66页 |
| ·Isomap | 第62-64页 |
| ·局部线性嵌入 | 第64-65页 |
| ·保局投影 | 第65-66页 |
| ·预测模型 | 第66-69页 |
| ·参数混合模型 | 第66-67页 |
| ·非参数局部模型 | 第67页 |
| ·高斯混合回归 | 第67-68页 |
| ·基于隐高斯混合回归的人体姿势预测 | 第68-69页 |
| ·基于变分预测的隐高斯混合回归 | 第69-74页 |
| ·变分预测 | 第70-72页 |
| ·变分隐高斯混合回归 | 第72-74页 |
| ·对称局部保持隐变量模型 | 第74-77页 |
| ·典范对应分析 | 第74-75页 |
| ·基于核的典范对应分析 | 第75页 |
| ·对称局部保持隐变量模型 | 第75-77页 |
| ·实验结果 | 第77-82页 |
| ·仿真数据 | 第77-78页 |
| ·运动捕获数据 | 第78-81页 |
| ·标准数据 | 第81-82页 |
| ·本章小结 | 第82-83页 |
| 第五章 基于低秩表示的运动恢复 | 第83-93页 |
| ·子空间分割 | 第83-84页 |
| ·稀疏表示 | 第84页 |
| ·低秩表示 | 第84-85页 |
| ·问题阐述 | 第85页 |
| ·运动恢复 | 第85-88页 |
| ·用低秩表示建模人体运动 | 第85-86页 |
| ·真实数据的健壮表示 | 第86页 |
| ·泛化 | 第86-87页 |
| ·增广Lagrangian乘子求解 | 第87-88页 |
| ·KKT点收敛 | 第88页 |
| ·实验结果 | 第88-92页 |
| ·Poser数据集 | 第88-90页 |
| ·CMU运动捕获数据集 | 第90-91页 |
| ·Agarwal and Triggs数据集 | 第91-92页 |
| ·本章小结 | 第92-93页 |
| 第六章 多线索融合的人体姿势跟踪 | 第93-117页 |
| ·深层学习 | 第93-98页 |
| ·浅层学习的不足 | 第95-96页 |
| ·深层学习的优化 | 第96-98页 |
| ·基于能量的模型 | 第98-101页 |
| ·隐变量的引入 | 第99-100页 |
| ·条件能量模型 | 第100-101页 |
| ·波尔兹曼机 | 第101-106页 |
| ·受限波尔兹曼机 | 第102-104页 |
| ·对比分歧 | 第104-105页 |
| ·条件受限波尔兹曼机 | 第105-106页 |
| ·多线索融合的动态模型学习 | 第106-108页 |
| ·单层模型学习 | 第107-108页 |
| ·高层模型学习 | 第108页 |
| ·人体运动跟踪 | 第108-112页 |
| ·概述 | 第108-109页 |
| ·蒙特卡洛模拟 | 第109页 |
| ·重要性采样 | 第109-110页 |
| ·序列重要性采样 | 第110-111页 |
| ·重采样 | 第111-112页 |
| ·实验结果 | 第112-116页 |
| ·Poser数据集 | 第112-114页 |
| ·CMU运动捕获数据集 | 第114-116页 |
| ·本章小结 | 第116-117页 |
| 第七章 总结及展望 | 第117-121页 |
| ·本文总结 | 第117-118页 |
| ·未来展望 | 第118-121页 |
| 参考文献 | 第121-129页 |
| 致谢 | 第129-131页 |
| 作者读博期间撰写及发表的论文 | 第131页 |
