一种基于骨骼关节点的行为识别算法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 基于视频行为识别的研究现状 | 第13-14页 |
| 1.2.2 基于骨骼关节点行为识别的国外研究现状 | 第14-16页 |
| 1.2.3 基于骨骼关节点行为识别的国内研究现状 | 第16-17页 |
| 1.3 本文主要研究内容与结构安排 | 第17-20页 |
| 1.3.1 主要研究内容 | 第17页 |
| 1.3.2 结构安排 | 第17-20页 |
| 第2章 基于骨骼关节点行为识别的相关理论 | 第20-36页 |
| 2.1 系统框架 | 第20-21页 |
| 2.2 Kinect概述 | 第21-26页 |
| 2.2.1 Kinect工作原理 | 第21-25页 |
| 2.2.2 人体骨骼关节点数据分析 | 第25-26页 |
| 2.3 行为表示算法 | 第26-30页 |
| 2.3.1 基于关节向量夹角的行为表示算法 | 第26-28页 |
| 2.3.2 基于关节位移量的行为表示算法 | 第28-29页 |
| 2.3.3 基于关节信息熵最大的行为表示算法 | 第29-30页 |
| 2.4 行为识别算法 | 第30-34页 |
| 2.4.1 基于DTW的行为识别算法 | 第30-31页 |
| 2.4.2 基于随机森林的行为识别算法 | 第31-32页 |
| 2.4.3 基于SVM的行为识别算法 | 第32-34页 |
| 2.5 本章小节 | 第34-36页 |
| 第3章 融合关节信息量和运动趋势的行为表示算法 | 第36-48页 |
| 3.1 关节信息量的理论基础 | 第36-40页 |
| 3.1.1 关节信息量表示 | 第36-37页 |
| 3.1.2 关节信息量的意义 | 第37-40页 |
| 3.2 MTIJ行为表示算法 | 第40-46页 |
| 3.2.1 行为的角度表示 | 第40-41页 |
| 3.2.2 行为序列的分割 | 第41-43页 |
| 3.2.3 行为数据噪声处理 | 第43-44页 |
| 3.2.4 关节信息量计算及排序 | 第44-45页 |
| 3.2.5 融合运动趋势的行为表示 | 第45页 |
| 3.2.6 MTIJ算法实现 | 第45-46页 |
| 3.3 本章小结 | 第46-48页 |
| 第4章 融合2DPCA和SVM的行为识别算法 | 第48-62页 |
| 4.1 SVM基本思想 | 第48-50页 |
| 4.1.1 SVM的定义 | 第48-50页 |
| 4.1.2 SVM的核函数 | 第50页 |
| 4.2 PCA算法 | 第50-52页 |
| 4.2.1 PCA基本原理 | 第51页 |
| 4.2.2 PCA计算步骤 | 第51-52页 |
| 4.3 2DP_SVM行为识别算法 | 第52-60页 |
| 4.3.1 PCA算法的优缺点分析 | 第52-53页 |
| 4.3.2 改进的PCA算法 | 第53-55页 |
| 4.3.3 人体行为识别算法 | 第55-59页 |
| 4.3.4 2DP_SVM算法实现 | 第59-60页 |
| 4.4 本章小结 | 第60-62页 |
| 第5章 行为识别的实验结果与分析 | 第62-74页 |
| 5.1 实验数据集 | 第62-64页 |
| 5.1.1 MSR Action3D数据集 | 第62-63页 |
| 5.1.2 HDM05数据集 | 第63-64页 |
| 5.2 行为识别结果及分析 | 第64-72页 |
| 5.2.1 MTIJ算法实验结果及分析 | 第64-69页 |
| 5.2.2 2DP_SVM算法实验结果及分析 | 第69-72页 |
| 5.3 本章小结 | 第72-74页 |
| 第6章 结论与展望 | 第74-76页 |
| 6.1 结论 | 第74页 |
| 6.2 进一步工作的方向 | 第74-76页 |
| 致谢 | 第76-78页 |
| 参考文献 | 第78-81页 |
