复杂场景中的时空特征学习与人体行为分析
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-11页 |
| 第一章 绪论 | 第11-14页 |
| ·课题背景和意义 | 第11-12页 |
| ·研究现状 | 第12-13页 |
| ·本文主要内容 | 第13-14页 |
| 第二章 基于时空特征和稀疏编码的人体动作识别 | 第14-31页 |
| ·动作识别算法的研究现状 | 第14-15页 |
| ·时空局部特征的检测和描述 | 第15-18页 |
| ·时空特征检测子 | 第15-17页 |
| ·时空特征描述子 | 第17-18页 |
| ·稀疏编码与矢量量化 | 第18-20页 |
| ·基于稀疏编码和局部时空特征的人体动作识别算法 | 第20-22页 |
| ·字典训练与迁移学习 | 第22-23页 |
| ·多类线性SVM | 第23-24页 |
| ·实验分析 | 第24-29页 |
| ·参数设置 | 第25页 |
| ·KTH 数据库上的实验结果 | 第25-27页 |
| ·UCF 体育数据库上的实验结果 | 第27-28页 |
| ·字典训练的实验分析 | 第28-29页 |
| ·本章小结 | 第29-31页 |
| 第三章 时空特征学习与深度学习 | 第31-47页 |
| ·深度学习 | 第32-39页 |
| ·受限波茨曼机 | 第33-35页 |
| ·卷积受限波茨曼机 | 第35-39页 |
| ·时空深度置信网络(ST-DBN) | 第39-43页 |
| ·训练和推断过程 | 第41-43页 |
| ·实验分析 | 第43-46页 |
| ·本章小结 | 第46-47页 |
| 第四章 基于非监督贝叶斯轨迹聚类的人群分析 | 第47-62页 |
| ·人群分析的研究现状 | 第47-49页 |
| ·一种非监督的人群分析方法 | 第49-51页 |
| ·基于贝叶斯概率框架的算法模型 | 第51-56页 |
| ·特征的提取与轨迹跟踪 | 第51-52页 |
| ·轨迹聚类算法 | 第52-55页 |
| ·人数计数功能的实现 | 第55-56页 |
| ·实验分析 | 第56-60页 |
| ·实验数据和实验结果 | 第56-59页 |
| ·误差分析 | 第59-60页 |
| ·本章小结 | 第60-62页 |
| 第五章 总结和展望 | 第62-64页 |
| ·全文总结 | 第62-63页 |
| ·研究展望 | 第63-64页 |
| 参考文献 | 第64-71页 |
| 攻读硕士期间参加的项目 | 第71-72页 |
| 致谢 | 第72-73页 |
| 攻读硕士学位期间已发表或录用的论文 | 第73页 |
