视频中人体动作识别的研究
| 摘要 | 第7-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 引言 | 第15-20页 |
| 1.1 研究背景与意义 | 第15-16页 |
| 1.2 人体动作识别研究现状 | 第16-18页 |
| 1.3 本文主要工作以及创新点 | 第18-19页 |
| 1.4 本文的章节安排 | 第19-20页 |
| 第二章 人体动作识别综述 | 第20-28页 |
| 2.1 动作识别的特点 | 第20-22页 |
| 2.1.1 动作类内与类间的差异 | 第20-21页 |
| 2.1.2 环境与多视角视图 | 第21页 |
| 2.1.3 视频分割 | 第21页 |
| 2.1.4 低分辨率的视频 | 第21页 |
| 2.1.5 动作的记录帧率 | 第21-22页 |
| 2.2 人体动作表示 | 第22-24页 |
| 2.2.1 全局动作表示 | 第22-23页 |
| 2.2.2 局部动作表示 | 第23-24页 |
| 2.3 动作识别 | 第24-26页 |
| 2.3.1 直接分类方法 | 第25页 |
| 2.3.2 时间状态空间模型 | 第25-26页 |
| 2.4 本章小结 | 第26-28页 |
| 第三章 动作目标的检测 | 第28-34页 |
| 3.1 背景建模算法 | 第28-30页 |
| 3.1.1 单高斯背景建模 | 第28-29页 |
| 3.1.2 混合高斯背景建模 | 第29-30页 |
| 3.2 目标检测算法 | 第30-31页 |
| 3.2.1 背景差分法 | 第31页 |
| 3.3 人体动作目标检测 | 第31-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第四章 特征提取与融合 | 第34-49页 |
| 4.1 基于人体模型的动作识别 | 第34-39页 |
| 4.1.1 人体分块模型表示 | 第35-39页 |
| 4.2 基于光流特征的动作识别 | 第39-43页 |
| 4.2.1 基于光流直方图的运动描述子构造 | 第40-43页 |
| 4.3 运动上下文表示 | 第43-44页 |
| 4.4 特征融合 | 第44-48页 |
| 4.4.1 Bag of words 模型 | 第44-45页 |
| 4.4.2 聚类算法 | 第45-46页 |
| 4.4.3 特征聚类 | 第46-47页 |
| 4.4.4 特征融合 | 第47-48页 |
| 4.5 本章小结 | 第48-49页 |
| 第五章 动作识别与实验结果分析 | 第49-67页 |
| 5.1 系统总体框架 | 第49-50页 |
| 5.2 动作识别模型 | 第50-54页 |
| 5.2.1 分类器选择 | 第50-51页 |
| 5.2.2 SVM 分类器 | 第51-52页 |
| 5.2.3 多类 SVM 分类算法 | 第52-53页 |
| 5.2.4 模型参数选择 | 第53页 |
| 5.2.5 包含全局时空信息的两级分类系统 | 第53-54页 |
| 5.3 实验结果与分析 | 第54-66页 |
| 5.3.1 人体动作数据库 | 第54-57页 |
| 5.3.2 实验设计 | 第57-58页 |
| 5.3.3 Weizmann 人体动作数据库 | 第58-61页 |
| 5.3.4 KTH 人体动作数据库 | 第61-66页 |
| 5.4 本章小结 | 第66-67页 |
| 第六章 总结和展望 | 第67-69页 |
| 6.1 本文总结 | 第67-68页 |
| 6.2 今后工作和展望 | 第68-69页 |
| 参考文献 | 第69-74页 |
| 致谢 | 第74-75页 |
| 攻读硕士学位期间已发表或录用的论文 | 第75页 |
