摘要 | 第5-7页 |
ABSTRACT | 第7-8页 |
第一章 绪论 | 第11-18页 |
1.1 研究背景和意义 | 第11-14页 |
1.2 国内外的研究进展现状 | 第14-15页 |
1.3 论文的主要工作及结构安排 | 第15-18页 |
1.3.1 论文的主要工作 | 第15-16页 |
1.3.2 论文的结构安排 | 第16-18页 |
第二章 人体动作识别方法概述 | 第18-23页 |
2.1 人体动作提取及表示 | 第18-20页 |
2.1.1 人体动作的 3D表示 | 第19页 |
2.1.2 人体动作的 2D表示 | 第19-20页 |
2.2 人体动作分类及识别 | 第20-21页 |
2.2.1 基于模板的分类方法 | 第20-21页 |
2.2.2 基于状态转移的分类方法 | 第21页 |
2.2.3 基于机器学习的分类方法 | 第21页 |
2.3 本章小结 | 第21-23页 |
第三章 基于特征包和视频分片的人体动作识别 | 第23-42页 |
3.1 人体动作感兴趣点提取 | 第23-26页 |
3.1.1 空间域Harris角点检测 | 第23-24页 |
3.1.2 时空域Harris角点检测 | 第24-26页 |
3.2 人体动作描述 | 第26-29页 |
3.2.1 Ho G描述子 | 第27-28页 |
3.2.2 Ho G3D描述子 | 第28-29页 |
3.3 时空特征包 | 第29-33页 |
3.3.1 词包模型理论 | 第29-30页 |
3.3.2 特征包模型 | 第30-31页 |
3.3.3 特征包模型改进 | 第31-33页 |
3.4 基于SVM的多类分类 | 第33-36页 |
3.4.1 支持向量机 | 第33-35页 |
3.4.2 多类支持向量机 | 第35-36页 |
3.5 视频分片 | 第36-37页 |
3.6 基于特征包的人体动作识别方法 | 第37-40页 |
3.6.1 特征包模型及视频分片方法 | 第37-38页 |
3.6.2 基于特征包和视频分片的人体动作识别流程 | 第38-40页 |
3.6.3 基于特征包的人体动作识别评价 | 第40页 |
3.7 本章小结 | 第40-42页 |
第四章 基于感兴趣点位置信息的人体动作识别 | 第42-60页 |
4.1 人体动作感兴趣点检测 | 第42-46页 |
4.1.1 Harris-OF感兴趣点检测的基本方法 | 第43-44页 |
4.1.2 Harris-OF感兴趣点检测方法改进 | 第44-46页 |
4.2 HoP描述子 | 第46-52页 |
4.2.1 有效帧动作全局描述 | 第46-49页 |
4.2.2 感兴趣点位置分布描述 | 第49-50页 |
4.2.3 有效帧间重心运动描述 | 第50-52页 |
4.3 智能分片 | 第52-55页 |
4.3.1 视频分片的局限性 | 第52-53页 |
4.3.2 智能分片 | 第53-55页 |
4.4 基于HoP的人体动作识别方法 | 第55-59页 |
4.4.1 无分片的人体动作识别方法和流程 | 第56-57页 |
4.4.2 利用智能分片的人体动作识别方法及流程 | 第57-58页 |
4.4.3 基于Ho P的人体动作识别的优势和不足 | 第58-59页 |
4.5 本章小结 | 第59-60页 |
第五章 实验结果与分析 | 第60-75页 |
5.1 常用人体动作数据集 | 第60-63页 |
5.1.1 Weizmann数据集 | 第60-61页 |
5.1.2 KTH数据集 | 第61页 |
5.1.3 Hollywood数据集 | 第61-62页 |
5.1.4 YouTube数据集 | 第62-63页 |
5.2 实验步骤及方法 | 第63页 |
5.2.1 实验环境、工具 | 第63页 |
5.2.2 实验方法 | 第63页 |
5.3 实验结果与分析 | 第63-74页 |
5.3.1 基于特征包方法的实验结果 | 第63-66页 |
5.3.2 基于Ho P方法的实验结果 | 第66-69页 |
5.3.3 实验结果比较与分析 | 第69-74页 |
5.4 本章小结 | 第74-75页 |
结论与展望 | 第75-78页 |
论文工作总结 | 第75-76页 |
未来研究展望 | 第76-78页 |
参考文献 | 第78-90页 |
攻读硕士学位期间取得的研究成果 | 第90-91页 |
致谢 | 第91-92页 |
附件 | 第92页 |