基于概率图模型的动作识别
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.1.1 概率图模型研究背景及意义 | 第10-11页 |
| 1.1.2 动作识别的研究背景及意义 | 第11-12页 |
| 1.2 动作识别的研究现状 | 第12-14页 |
| 1.2.1 国内外研究现状 | 第12-13页 |
| 1.2.2 动作识别难点与挑战 | 第13-14页 |
| 1.3 本文主要研究内容及结构 | 第14-16页 |
| 1.3.1 本文主要研究内容 | 第14-15页 |
| 1.3.2 论文结构 | 第15-16页 |
| 2 概率图模型概述 | 第16-26页 |
| 2.1 引言 | 第16页 |
| 2.2 概率图模型的产生与发展 | 第16-18页 |
| 2.3 概率图模型的分类 | 第18-19页 |
| 2.4 贝叶斯网络 | 第19-25页 |
| 2.4.1 贝叶斯定理 | 第19-21页 |
| 2.4.2 贝叶斯网络 | 第21-22页 |
| 2.4.3 贝叶斯分类的原理及流程 | 第22-25页 |
| 2.5 本章小结 | 第25-26页 |
| 3 动作识别概述 | 第26-33页 |
| 3.1 特征提取方法 | 第26-28页 |
| 3.1.1 基于直方图的特征提取 | 第27-28页 |
| 3.1.2 背景相减法提取人体轮廓特征 | 第28页 |
| 3.1.3 多特征融合 | 第28页 |
| 3.2 识别算法 | 第28-32页 |
| 3.2.1 状态空间模型法 | 第28-31页 |
| 3.2.2 模板匹配法 | 第31页 |
| 3.2.3 语义描述法 | 第31-32页 |
| 3.2.4 动作识别算法的比较 | 第32页 |
| 3.3 本章小结 | 第32-33页 |
| 4 基于动态贝叶斯网络的人体动作识别 | 第33-46页 |
| 4.1 数据库 | 第33-35页 |
| 4.1.1 Weizmann人体动作数据库 | 第33页 |
| 4.1.2 KTH人体动作数据库 | 第33页 |
| 4.1.3 MSR Action3D数据库 | 第33-35页 |
| 4.2 特征提取 | 第35-37页 |
| 4.3 基于动态贝叶斯网络的分类算法 | 第37-42页 |
| 4.3.1 模型的建立 | 第37-39页 |
| 4.3.2 参数学习 | 第39-41页 |
| 4.3.3 概率推理 | 第41-42页 |
| 4.4 实验结果及分析 | 第42-45页 |
| 4.5 本章小结 | 第45-46页 |
| 5 基于训练数据初始化的人体动作识别 | 第46-52页 |
| 5.1 随机初始化方法 | 第46-47页 |
| 5.2 基于训练数据初始化方法的原理 | 第47-49页 |
| 5.3 实验结果及分析 | 第49-51页 |
| 5.4 本章小结 | 第51-52页 |
| 6 结束语 | 第52-53页 |
| 6.1 本文工作总结 | 第52页 |
| 6.2 展望 | 第52-53页 |
| 参考文献 | 第53-57页 |
| 个人简历及攻读学位期间研究成果 | 第57-58页 |
| 致谢 | 第58页 |
