视频数据中人体动作的分类研究--基于3D泊松方程
| 摘要 | 第1-6页 |
| Abstract | 第6-7页 |
| 目录 | 第7-9页 |
| 1 绪论 | 第9-14页 |
| ·研究背景及意义 | 第9-10页 |
| ·研究进展及现状 | 第10-12页 |
| ·论文主要研究内容 | 第12-14页 |
| 2 人体运动目标检测 | 第14-22页 |
| ·概述 | 第14-16页 |
| ·背景减除法 | 第14页 |
| ·帧间差分法 | 第14-15页 |
| ·光流法 | 第15页 |
| ·能量最小化法 | 第15-16页 |
| ·基于自适应背景减除法提取运动区域 | 第16-18页 |
| ·初始化背景模型 | 第16-17页 |
| ·背景模型更新 | 第17页 |
| ·提取前景区域 | 第17-18页 |
| ·运动目标阴影消除 | 第18页 |
| ·实验结果及分析 | 第18-21页 |
| ·本章小结 | 第21-22页 |
| 3 人体运动特征提取 | 第22-38页 |
| ·概述 | 第22页 |
| ·泊松方程及其解 | 第22-25页 |
| ·3D泊松方程 | 第22-23页 |
| ·多重网格求解泊松方程 | 第23-25页 |
| ·基于泊松方程解的特征提取 | 第25-31页 |
| ·提取局部特征 | 第25-27页 |
| ·提取整体特征 | 第27-31页 |
| ·Hu不变矩特征提取 | 第28-29页 |
| ·Zernike矩特征提取 | 第29-31页 |
| ·实验及结果分析 | 第31-37页 |
| ·本章小结 | 第37-38页 |
| 4 不同人体动作的学习分类 | 第38-53页 |
| ·概述 | 第38-41页 |
| ·决策树分类方法 | 第38页 |
| ·贝叶斯分类方法 | 第38-39页 |
| ·神经网络分类方法 | 第39页 |
| ·K近邻分类方法 | 第39页 |
| ·基于关联规则挖掘的分类方法 | 第39-40页 |
| ·支持向量机分类方法 | 第40页 |
| ·多分类器融合的分类方法 | 第40-41页 |
| ·基于贝叶斯的Adaboost分类方法 | 第41-45页 |
| ·贝叶斯弱分类器 | 第41-42页 |
| ·Adaboost分类方法 | 第42-45页 |
| ·实验结果及分析 | 第45-51页 |
| ·实验设计 | 第45页 |
| ·实验结果及分析 | 第45-51页 |
| ·本章小结 | 第51-53页 |
| 5 总结与展望 | 第53-55页 |
| ·本文工作总结 | 第53页 |
| ·未来工作展望 | 第53-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-61页 |
