基于深度数据的人体动作识别
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 动作识别面临的挑战 | 第14-15页 |
| 1.4 研究内容与组织结构 | 第15-17页 |
| 第2章 人体动作识别方法研究 | 第17-28页 |
| 2.1 人体运动特征描述 | 第17-20页 |
| 2.1.1 轮廓和剪影特征表达 | 第17页 |
| 2.1.2 光流信息 | 第17-18页 |
| 2.1.3 时空兴趣特征点 | 第18页 |
| 2.1.4 局部描述子 | 第18-19页 |
| 2.1.5 本文提出的运动特征描述方法 | 第19-20页 |
| 2.2 动作识别方法 | 第20-27页 |
| 2.2.1 基于时空的动作识别方法 | 第20-23页 |
| 2.2.2 基于序列的动作识别方法 | 第23-26页 |
| 2.2.3 本文提出的动作识别方法介绍 | 第26-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第3章 基于流形学习的动作识别 | 第28-38页 |
| 3.1 降维方法简介 | 第28-31页 |
| 3.1.1 基于线性子空间的降维方法 | 第28-29页 |
| 3.1.2 基于概率模型的降维方法 | 第29-30页 |
| 3.1.3 基于流形学习的降维方法 | 第30-31页 |
| 3.2 基于流形学习的动作识别方法 | 第31-34页 |
| 3.2.1 低维运动模型 | 第31-32页 |
| 3.2.2 嵌入映射 | 第32-33页 |
| 3.2.3 低维空间动作匹配 | 第33-34页 |
| 3.3 实验结果分析 | 第34-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章 基于局部匹配窗口的动作识别 | 第38-52页 |
| 4.1 训练词汇表 | 第39-40页 |
| 4.2 自适应编码 | 第40-42页 |
| 4.3 局部窗口匹配 | 第42-45页 |
| 4.3.1 基于TP-LWM的特征匹配 | 第42-44页 |
| 4.3.2 基于SW-LWM的特征匹配 | 第44-45页 |
| 4.4 测试阶段 | 第45页 |
| 4.5 实验 | 第45-51页 |
| 4.5.1 基于TP-LWM的实验结果 | 第46-47页 |
| 4.5.2 基于SW-LWM的实验结果 | 第47-50页 |
| 4.5.3 实验结果对比分析 | 第50-51页 |
| 4.6 本章小结 | 第51-52页 |
| 第5章 基于Kinect设备的动作识别系统 | 第52-64页 |
| 5.1 深度相机介绍 | 第52-54页 |
| 5.2 系统设计 | 第54-55页 |
| 5.3 数据预处理 | 第55-57页 |
| 5.4 实验结果分析 | 第57-63页 |
| 5.4.1 基于流形学习的动作识别方法 | 第57-59页 |
| 5.4.2 基于局部窗口匹配的动作识别方法 | 第59-63页 |
| 5.5 本章小结 | 第63-64页 |
| 第6章 总结和展望 | 第64-66页 |
| 6.1 工作总结 | 第64-65页 |
| 6.2 未来工作展望 | 第65-66页 |
| 参考文献 | 第66-71页 |
| 致谢 | 第71-72页 |
| 攻读学位期间的科研成果 | 第72页 |
