基于骨骼关节点的人体行为识别算法研究
| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 人体行为识别研究现状 | 第12-15页 |
| 1.3 研究难点 | 第15-16页 |
| 1.4 本文工作 | 第16-17页 |
| 1.5 本文安排 | 第17-19页 |
| 第2章 词袋模型 | 第19-26页 |
| 2.1 词袋模型简介 | 第19-20页 |
| 2.2 动作特征 | 第20-21页 |
| 2.3 构建视觉词汇表 | 第21-22页 |
| 2.4 建立特征频率直方图 | 第22-23页 |
| 2.4.1 特征映射 | 第22-23页 |
| 2.4.2 统计特征频率 | 第23页 |
| 2.5 分类器分类 | 第23-25页 |
| 2.5.1 支持向量机简介 | 第24页 |
| 2.5.2 支持向量机的多分类 | 第24-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第3章 动作特征与特征融合 | 第26-33页 |
| 3.1 运动姿态描述子 | 第26-28页 |
| 3.2 运动角度描述子 | 第28-29页 |
| 3.3 特征融合 | 第29-32页 |
| 3.3.1 运动姿态描述子和运动角度描述子比较 | 第29-30页 |
| 3.3.2 融合运动描述子 | 第30-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第4章 实时动作检测和实时动作分割 | 第33-44页 |
| 4.1 实时动作检测和实时动作分割任务 | 第33-34页 |
| 4.2 滑动窗口算法 | 第34-35页 |
| 4.2.1 单窗口的滑动窗口算法 | 第34-35页 |
| 4.2.2 多尺度的滑动窗口算法 | 第35页 |
| 4.3 基于词袋模型的ELS算法 | 第35-38页 |
| 4.3.1 ELS算法原理 | 第36-38页 |
| 4.3.2 ELS算法的不足 | 第38页 |
| 4.4 改进ELS算法 | 第38-42页 |
| 4.4.1 改进方法 | 第38-41页 |
| 4.4.2 iELS算法步骤 | 第41-42页 |
| 4.5 本章小结 | 第42-44页 |
| 第5章 实验和结果分析 | 第44-55页 |
| 5.1 数据集介绍 | 第44-45页 |
| 5.2 数据预处理和实验设置 | 第45-46页 |
| 5.2.1 数据预处理 | 第45页 |
| 5.2.2 实验设置 | 第45-46页 |
| 5.3 动作识别 | 第46-48页 |
| 5.3.1 不同描述子进行动作识别 | 第46-47页 |
| 5.3.2 融合运动描述子进行动作识别 | 第47-48页 |
| 5.4 实时动作检测和实时动作分割 | 第48-54页 |
| 5.4.1 实时动作检测和实时动作分割评价标准 | 第48-50页 |
| 5.4.2 ELS算法和改进方法实验 | 第50-52页 |
| 5.4.3 iELS算法综合实验 | 第52-53页 |
| 5.4.4 实时分析 | 第53-54页 |
| 5.5 本章小结 | 第54-55页 |
| 第6章 总结和展望 | 第55-57页 |
| 6.1 本文总结 | 第55页 |
| 6.2 展望 | 第55-57页 |
| 参考文献 | 第57-60页 |
| 作者简介及在学期间所取得的科研成果 | 第60-61页 |
| 致谢 | 第61页 |
