| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 缩略词注释表 | 第13-15页 |
| 第一章 绪论 | 第15-37页 |
| 1.1 研究背景和意义 | 第15-17页 |
| 1.2 人体动作识别的问题描述和难点 | 第17-19页 |
| 1.3 国内外技术研究现状 | 第19-28页 |
| 1.3.1 特征提取 | 第19-23页 |
| 1.3.2 机器学习 | 第23-28页 |
| 1.4 主要数据库介绍 | 第28-31页 |
| 1.5 论文的主要工作 | 第31-33页 |
| 1.6 论文的组织结构 | 第33-37页 |
| 第二章 基于多特征融合和分层反向传播增强算法的动作识别 | 第37-53页 |
| 2.1 引言 | 第37页 |
| 2.2 方法框架 | 第37-38页 |
| 2.3 特征提取 | 第38-42页 |
| 2.3.1 预处理 | 第38-39页 |
| 2.3.2 光流直方图(HOF)和有向梯度直方图(HOG)的提取 | 第39-40页 |
| 2.3.3 Hu的矩特征(HM)和分块剪影(BS)的提取 | 第40-41页 |
| 2.3.4 自相似矩阵(SSM)的生成 | 第41-42页 |
| 2.4 分层反向传播增强算法 | 第42-47页 |
| 2.4.1 预判决 | 第42-43页 |
| 2.4.2 反向传播增强(BP-AdaBoost)算法 | 第43-45页 |
| 2.4.3 后判决 | 第45-47页 |
| 2.5 实验结果与分析 | 第47-51页 |
| 2.5.1 实验环境和数据库 | 第47页 |
| 2.5.2 基于单特征、非增强的识别 | 第47-48页 |
| 2.5.3 基于反向传播增强的识别 | 第48页 |
| 2.5.4 结合分层识别框架和反向传播增强的识别 | 第48-51页 |
| 2.6 小结 | 第51-53页 |
| 第三章 基于快速3D有向梯度直方图和自组织特征映射的动作识别 | 第53-73页 |
| 3.1 引言 | 第53-54页 |
| 3.2 方法框架 | 第54页 |
| 3.3 多尺度空时兴趣点提取 | 第54-56页 |
| 3.4 快速3D有向梯度直方图(Fast HOG3D) | 第56-59页 |
| 3.4.1 原HOG3D简介 | 第56-57页 |
| 3.4.2 快速梯度计算 | 第57-58页 |
| 3.4.3 方向量化 | 第58-59页 |
| 3.4.4 直方图构建 | 第59页 |
| 3.5 基于自组织特征映射(SOM)的动作识别 | 第59-62页 |
| 3.5.1 SOM网络简介 | 第59-60页 |
| 3.5.2 竞争过程 | 第60页 |
| 3.5.3 合作过程 | 第60-61页 |
| 3.5.4 自适应过程 | 第61页 |
| 3.5.5 识别过程和算法小结 | 第61-62页 |
| 3.6 实验结果与分析 | 第62-70页 |
| 3.6.1 实验环境和数据库 | 第62页 |
| 3.6.2 快速HOG3D和原HOG3D的比较 | 第62-63页 |
| 3.6.3 SOM网络训练参数的影响 | 第63-66页 |
| 3.6.4 SOM与其他机器学习方法的比较 | 第66-69页 |
| 3.6.5 在基准数据库上的识别结果 | 第69-70页 |
| 3.7 小结 | 第70-73页 |
| 第四章 基于Huffman编码和隐动作模型的动作识别 | 第73-85页 |
| 4.1 引言 | 第73页 |
| 4.2 方法框架 | 第73-74页 |
| 4.3 特征提取 | 第74-77页 |
| 4.3.1 兴趣点提取 | 第74-76页 |
| 4.3.2 兴趣点描述 | 第76页 |
| 4.3.3 层次码本生成 | 第76-77页 |
| 4.4 模式识别 | 第77-80页 |
| 4.4.1 基于Huffman编码的识别 | 第77-78页 |
| 4.4.2 基于隐动作模型(IAM)的识别 | 第78-79页 |
| 4.4.3 稀疏编码和融合 | 第79-80页 |
| 4.5 实验结果与分析 | 第80-84页 |
| 4.5.1 实验环境和数据库 | 第80页 |
| 4.5.2 不同特征通道和机器学习方法的比较 | 第80-82页 |
| 4.5.3 结合层次码本和稀疏编码的性能提升 | 第82-83页 |
| 4.5.4 识别方法和特征融合的结果 | 第83-84页 |
| 4.6 小结 | 第84-85页 |
| 第五章 基于随机森林和空时相关性的动作识别 | 第85-101页 |
| 5.1 引言 | 第85页 |
| 5.2 方法框架 | 第85-86页 |
| 5.3 基于STIP的中层特征提取 | 第86-89页 |
| 5.3.1 基于体素方差的STIP提取 | 第86-87页 |
| 5.3.2 运动上下文(MC) | 第87-88页 |
| 5.3.3 STIP共生序列 | 第88-89页 |
| 5.4 基于遗传算法(GA)搜索的随机森林 | 第89-92页 |
| 5.4.1 基于C4.5算法的决策树学习 | 第89-91页 |
| 5.4.2 GA搜索 | 第91-92页 |
| 5.5 空时相关性计算 | 第92-94页 |
| 5.5.1 空间相关性的计算 | 第92-93页 |
| 5.5.2 时间相关性的计算 | 第93-94页 |
| 5.6 识别过程 | 第94-95页 |
| 5.7 实验结果与分析 | 第95-99页 |
| 5.7.1 实验环境和数据库 | 第95-96页 |
| 5.7.2 基于MC和随机森林的识别 | 第96-97页 |
| 5.7.3 基于空时相关性的识别 | 第97-98页 |
| 5.7.4 融合方法在整个数据库上的识别 | 第98-99页 |
| 5.8 小结 | 第99-101页 |
| 第六章 基于多通道轨迹特征和数据挖掘的动作识别 | 第101-119页 |
| 6.1 引言 | 第101-102页 |
| 6.2 方法框架 | 第102页 |
| 6.3 特征提取 | 第102-107页 |
| 6.3.1 多尺度轨迹提取 | 第102-104页 |
| 6.3.2 局部特征描述 | 第104-106页 |
| 6.3.3 全局特征描述 | 第106-107页 |
| 6.4 基于垂直数据挖掘和模板匹配的识别 | 第107-111页 |
| 6.4.1 动作模型挖掘 | 第107-110页 |
| 6.4.2 模板匹配 | 第110-111页 |
| 6.5 实验结果与分析 | 第111-118页 |
| 6.5.1 实验环境和数据库 | 第111页 |
| 6.5.2 不同特征通道与机器学习方法的性能 | 第111-114页 |
| 6.5.3 数据挖掘的性能 | 第114-117页 |
| 6.5.4 基于多通道轨迹特征融合和数据挖掘的性能 | 第117-118页 |
| 6.6 小结 | 第118-119页 |
| 第七章 总结与展望 | 第119-123页 |
| 7.1 全文工作总结 | 第119-120页 |
| 7.2 后续工作展望 | 第120-123页 |
| 致谢 | 第123-125页 |
| 参考文献 | 第125-137页 |
| 攻读博士学位期间参加的科研项目和完成的论文 | 第137-138页 |
