| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 引言 | 第14-30页 |
| 1.1 课题的研究背景及意义 | 第14-15页 |
| 1.2 国内外的研究现状 | 第15-25页 |
| 1.2.1 基于骨架关节点的动作识别 | 第16-18页 |
| 1.2.2 基于深度数据的动作识别方法 | 第18-20页 |
| 1.2.3 基于深度数据的多特征融合方法 | 第20-22页 |
| 1.2.4 深度相机人体动作识别的主要数据集 | 第22-25页 |
| 1.3 基于深度图像序列动作识别的研究难点 | 第25页 |
| 1.4 本文的主要贡献 | 第25-26页 |
| 1.5 本文的主要内容及组织结构 | 第26-30页 |
| 第2章 深度图像序列底层特征提取方法研究 | 第30-56页 |
| 2.1 相关研究工作 | 第30-35页 |
| 2.1.1 全局特征提取方法 | 第30-32页 |
| 2.1.2 局部特征提取方法 | 第32-35页 |
| 2.2 基于局部均值法向量的深度图像序列特征 | 第35-42页 |
| 2.2.1 方法描述 | 第35-39页 |
| 2.2.2 实验设计及结果分析 | 第39-42页 |
| 2.3 基于骨架嵌入的深度图像序列特征 | 第42-54页 |
| 2.3.1 方法描述 | 第42-46页 |
| 2.3.2 实验设计及结果分析 | 第46-54页 |
| 2.4 本章小结 | 第54-56页 |
| 第3章 深度图像序列中层特征编码方法研究 | 第56-66页 |
| 3.1 相关研究工作 | 第56-59页 |
| 3.1.1 视觉词袋模型 | 第56-57页 |
| 3.1.2 Fisher向量编码 | 第57-58页 |
| 3.1.3 局部聚合向量 | 第58-59页 |
| 3.2 超向量特征编码 | 第59-62页 |
| 3.2.1 方法描述 | 第59-60页 |
| 3.2.2 实验设计与结果分析 | 第60-62页 |
| 3.3 简化的Fisher向量特征编码方法 | 第62-65页 |
| 3.3.1 方法描述 | 第62-63页 |
| 3.3.2 实验设计与分析 | 第63-65页 |
| 3.4 本章小结 | 第65-66页 |
| 第4章 深度图像序列时空特征表示方法研究 | 第66-84页 |
| 4.1 相关研究工作 | 第66-67页 |
| 4.2 基于时空立方金字塔的特征表示方法 | 第67-74页 |
| 4.2.1 方法描述 | 第68-71页 |
| 4.2.2 实验设计及结果分析 | 第71-74页 |
| 4.3 基于空间Laplacian和时间能量金字塔的特征表示方法 | 第74-81页 |
| 4.3.1 方法描述 | 第74-77页 |
| 4.3.2 实验设计及结果分析 | 第77-81页 |
| 4.4 本章小结 | 第81-84页 |
| 第5章 基于深度神经网络的特征学习方法研究 | 第84-104页 |
| 5.1 相关研究工作 | 第84-90页 |
| 5.1.1 基于双流卷积神经网络 | 第85-88页 |
| 5.1.2 基于三维卷积神经网络 | 第88-90页 |
| 5.2 基于梯度方向向量和三维残差网络的人体动作识别 | 第90-97页 |
| 5.2.1 方法描述 | 第91-94页 |
| 5.2.2 实验整体设计 | 第94页 |
| 5.2.3 实验结果及分析 | 第94-97页 |
| 5.3 基于残差网络双流信息融合的人体动作识别 | 第97-101页 |
| 5.3.1 方法描述 | 第98-100页 |
| 5.3.2 实验整体设计 | 第100页 |
| 5.3.3 实验结果及分析 | 第100-101页 |
| 5.4 本章小结 | 第101-104页 |
| 第6章 总结与展望 | 第104-106页 |
| 6.1 本文工作总结 | 第104-105页 |
| 6.2 未来展望 | 第105-106页 |
| 参考文献 | 第106-118页 |
| 致谢 | 第118-120页 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 | 第120-121页 |