| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 人体行为识别国内外研究现状 | 第9-12页 |
| 1.3 论文的主要内容与组织结构 | 第12-13页 |
| 第二章 人体行为识别的基本概念和原理 | 第13-26页 |
| 2.1 行为动作特征提取技术 | 第13-19页 |
| 2.1.1 基于RGB数据的特征提取 | 第13-15页 |
| 2.1.2 基于RGB-D数据的特征提取 | 第15-18页 |
| 2.1.3 常用的特征优化方法 | 第18-19页 |
| 2.2 面向行为分类的概率图模型 | 第19-25页 |
| 2.2.1 贝叶斯网络 | 第20-22页 |
| 2.2.2 马尔可夫链模型 | 第22-23页 |
| 2.2.3 条件随机场 | 第23-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 多模态数据联合特征提取 | 第26-41页 |
| 3.1 行为动作的底层特征提取 | 第26-29页 |
| 3.1.1 动态骨架特征 | 第26-27页 |
| 3.1.2 HOG-3D特征 | 第27-28页 |
| 3.1.3 联合特征提取 | 第28-29页 |
| 3.2 行为动作的特征优化表示 | 第29-32页 |
| 3.2.1 特征稀疏编码表示 | 第29-30页 |
| 3.2.2 K-means聚类方法 | 第30-32页 |
| 3.3 多模态数据集简介 | 第32-35页 |
| 3.3.1 数据集介绍 | 第32-34页 |
| 3.3.2 数据预处理操作 | 第34-35页 |
| 3.4 实验过程与结果分析 | 第35-40页 |
| 3.4.1 实验过程 | 第35-37页 |
| 3.4.2 结果分析 | 第37-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 深度递归分层条件随机场DR-HCRFs模型 | 第41-62页 |
| 4.1 高阶条件随机场 | 第41-44页 |
| 4.1.1 分层皮特曼-尤尔过程 | 第41-43页 |
| 4.1.2 序列记忆 | 第43-44页 |
| 4.2 深度递归分层条件随机场DR-HCRFs模型 | 第44-50页 |
| 4.2.1 人体姿势和交互物体建模 | 第45-46页 |
| 4.2.2 行为过程中交互信息建模 | 第46-47页 |
| 4.2.3 行为动作的中间状态表示 | 第47-48页 |
| 4.2.4 行为动作之间相关性建模 | 第48-49页 |
| 4.2.5 深度递归分层条件随机场 | 第49-50页 |
| 4.3 模型推理 | 第50-53页 |
| 4.3.1 平均场理论 | 第50-51页 |
| 4.3.2 DR-HCRFs模型推理 | 第51-53页 |
| 4.4 基于Cutting-Plane的DR-HCRFs模型学习 | 第53-55页 |
| 4.5 实验过程与结果分析 | 第55-61页 |
| 4.5.1 实验过程 | 第55-57页 |
| 4.5.2 结果分析 | 第57-61页 |
| 4.6 本章小结 | 第61-62页 |
| 第五章 基于块坐标BCFW的DR-HCRFs模型学习 | 第62-78页 |
| 5.1 结构化支持向量机 | 第62-69页 |
| 5.1.1 支持向量机模型 | 第62-66页 |
| 5.1.2 结构化预测学习 | 第66-68页 |
| 5.1.3 结构化支持向量机 | 第68-69页 |
| 5.2 结构化支持向量机的优化方法 | 第69-73页 |
| 5.2.1 FW算法 | 第70-71页 |
| 5.2.2 BCFW算法 | 第71-73页 |
| 5.3 实验过程与分析 | 第73-77页 |
| 5.3.1 实验过程 | 第73-74页 |
| 5.3.2 结果分析 | 第74-77页 |
| 5.4 本章小结 | 第77-78页 |
| 第六章 总结与展望 | 第78-80页 |
| 参考文献 | 第80-84页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第84-85页 |
| 附录2 攻读硕士学位期间申请的专利 | 第85-86页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第86-87页 |
| 致谢 | 第87页 |
