视频中的人物目标检测与动作识别方法研究
| 摘要 | 第2-3页 |
| Abstract | 第3页 |
| 第一章 绪论 | 第6-12页 |
| 1.1 研究背景和意义 | 第6-7页 |
| 1.2 国内外研究现状 | 第7-9页 |
| 1.3 动作识别的研究难点 | 第9-10页 |
| 1.4 本文的主要内容及章节安排 | 第10-12页 |
| 第二章 人体动作识别方法概述 | 第12-22页 |
| 2.1 人的动作识别框架及流程 | 第12-13页 |
| 2.2 基于算法的动作识别分类 | 第13-17页 |
| 2.2.1 基于状态空间的方法 | 第13-15页 |
| 2.2.2 基于模板匹配的方法 | 第15-17页 |
| 2.3 动作识别系统模型 | 第17-20页 |
| 2.3.1 词袋思想 | 第17-18页 |
| 2.3.2 混合高斯模型 | 第18-20页 |
| 2.4 本章小结 | 第20-22页 |
| 第三章 视频中人物目标检测 | 第22-36页 |
| 3.1 基于帧间差分法的目标检测 | 第22-24页 |
| 3.2 基于背景减除法的目标检测 | 第24-26页 |
| 3.2.1 统计平均法 | 第24-25页 |
| 3.2.2 混合高斯模型法 | 第25-26页 |
| 3.3 改进的混合高斯模型背景建模 | 第26-29页 |
| 3.3.1 光流约束方程 | 第26-27页 |
| 3.3.2 改进的稀疏光流目标轮廓追踪 | 第27-29页 |
| 3.3.2.1 特征点提取 | 第28-29页 |
| 3.3.2.2 角点处光流计算 | 第29页 |
| 3.4 检测后处理 | 第29-34页 |
| 3.4.1 去噪处理 | 第29-32页 |
| 3.4.1.1 图像的腐蚀和膨胀 | 第30-31页 |
| 3.4.1.2 开运算和闭运算 | 第31-32页 |
| 3.4.2 人体判别 | 第32-33页 |
| 3.4.3 人体轮廓提取 | 第33-34页 |
| 3.5 本章小结 | 第34-36页 |
| 第四章 基于时空兴趣点的动作识别研究 | 第36-48页 |
| 4.1 词袋模型 | 第36-37页 |
| 4.2 时空兴趣点特征提取 | 第37-43页 |
| 4.2.1 3D-Harris角点检测 | 第38-40页 |
| 4.2.2 Dollar检测算法 | 第40-41页 |
| 4.2.3 Hessian特征点检测 | 第41-43页 |
| 4.3 对兴趣点进行特征描述 | 第43-44页 |
| 4.4 聚类算法 | 第44页 |
| 4.5 分类算法 | 第44-48页 |
| 4.5.1 支持向量机SVM | 第44-45页 |
| 4.5.2 K最近邻分类器KNN | 第45-48页 |
| 第五章 实验结果与分析 | 第48-58页 |
| 5.1 实验样本选择 | 第48-49页 |
| 5.2 目标检测实验及结果分析 | 第49-52页 |
| 5.2.1 背景建模方法改进结果 | 第49-51页 |
| 5.2.2 目标分割实验及结果分析 | 第51-52页 |
| 5.3 特征提取实验及结果分析 | 第52-53页 |
| 5.4 改进的特征提取实验及结果分析 | 第53-54页 |
| 5.5 动作识别实验及结果分析 | 第54-58页 |
| 第六章 总结与展望 | 第58-60页 |
| 6.1 本文总结 | 第58-59页 |
| 6.2 展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 攻读学位期间的研究成果 | 第64-66页 |
| 致谢 | 第66-67页 |
