基于时空局部模式编码的人体行为分析系统设计与实现
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 本文相关研究背景 | 第11-13页 |
| 1.2 人体行为分析的难点 | 第13-14页 |
| 1.3 论文主要研究内容 | 第14-15页 |
| 1.4 论文结构安排 | 第15-17页 |
| 第二章 人体行为分析技术的研究 | 第17-25页 |
| 2.1 人体行为识别方法分类体系简述 | 第17-18页 |
| 2.2 人体行为识别(HAR)常用方法 | 第18-21页 |
| 2.2.1 基于状态空间的方法 | 第18-19页 |
| 2.2.2 基于人体模型的行为识别 | 第19-20页 |
| 2.2.3 基于时空的行为识别 | 第20-21页 |
| 2.3 基于时空方法的前期研究和验证 | 第21-23页 |
| 2.4 本章小结 | 第23-25页 |
| 第三章 人体行为视频预处理和视频建模 | 第25-39页 |
| 3.1 行为视频图像预处理 | 第25-29页 |
| 3.1.1 帧差法 | 第26-27页 |
| 3.1.2 光流法 | 第27页 |
| 3.1.3 背景减除法 | 第27-29页 |
| 3.2 人体行为视频时域运动历史轮廓图像建模 | 第29-35页 |
| 3.2.1 人体行为运动历史轮廓图像提取 | 第29-31页 |
| 3.2.2 运动历史轮廓图像的边缘化处理 | 第31-33页 |
| 3.2.3 融合RGB和深度视频的模型图像 | 第33-34页 |
| 3.2.4 历史轮廓模型融合图像的分块 | 第34-35页 |
| 3.3 人体行为视频三维时空模型建模 | 第35-38页 |
| 3.3.1 人体行为视频时空建模 | 第35-36页 |
| 3.3.2 人体行为时空变化图像的提取 | 第36-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 时空局部模式编码和分类算法 | 第39-47页 |
| 4.1 局部模式特征的相关工作 | 第39页 |
| 4.2 时空局部模式编码的纹理特征提取 | 第39-44页 |
| 4.2.1 基础LBP模式特征 | 第39-41页 |
| 4.2.2 LBP均匀模式特征 | 第41-42页 |
| 4.2.3 LBP旋转不变模式特征 | 第42-43页 |
| 4.2.4 混合纹理-边缘模式特征 | 第43-44页 |
| 4.2.5 三维时空局部模式的纹理特征 | 第44页 |
| 4.3 特征分类算法 | 第44-46页 |
| 4.3.1 基于K-means最小邻近分类算法 | 第44-45页 |
| 4.3.2 K-最近邻分类算法 | 第45页 |
| 4.3.3 隐马尔科夫模型分类算法 | 第45-46页 |
| 4.4 本章小结 | 第46-47页 |
| 第五章 人体行为识别实验和分析系统 | 第47-63页 |
| 5.1 人体行为分析系统平台的实现 | 第47-49页 |
| 5.1.1 人体行为分析系统开发环境和架构 | 第47-48页 |
| 5.1.2 人体行为识别系统视频采集模块 | 第48页 |
| 5.1.3 行为视频特征提取和分类识别模块 | 第48-49页 |
| 5.1.4 人体行为分析系统个性化控制模块 | 第49页 |
| 5.2 人体行为识别系统的个性化控制应用场景 | 第49-52页 |
| 5.2.1 智能家居控制场景 | 第49-51页 |
| 5.2.2 运动街景模拟场景 | 第51-52页 |
| 5.2.3 三维全景图像演示场景 | 第52页 |
| 5.3 行为分析系统GPU处理的实现 | 第52-54页 |
| 5.3.1 CUDA技术背景 | 第52-53页 |
| 5.3.2 CUDA对系统算法的优化 | 第53-54页 |
| 5.4 识别结果验证和分析 | 第54-61页 |
| 5.4.1 行为视频时域历史轮廓模型的验证 | 第54-58页 |
| 5.4.2 行为视频三维时空模型验证 | 第58-61页 |
| 5.5 本章小结 | 第61-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 主要工作总结 | 第63页 |
| 6.2 未来研究展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-71页 |
| 攻读学位期间的学术论文及成果 | 第71页 |
