基于骨骼和深度模型的一类人体行为识别方法的研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 课题研究背景和意义 | 第8页 |
| 1.2 国内外人体行为理解研究现状 | 第8-9页 |
| 1.3 基于骨骼和深度图像的研究现状 | 第9-13页 |
| 1.3.1 标准评价测试数据库 | 第10页 |
| 1.3.2 基于深度图的方法 | 第10-12页 |
| 1.3.3 基于骨骼的方法 | 第12-13页 |
| 1.4 论文主要研究内容 | 第13-16页 |
| 第二章 平台介绍与数据分析 | 第16-26页 |
| 2.1 平台硬件概述 | 第16-17页 |
| 2.2 软件开发环境 | 第17-19页 |
| 2.3 数据流获取 | 第19-21页 |
| 2.4 坐标系之间的转换关系 | 第21-23页 |
| 2.5 实验环境的设定 | 第23-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第三章 行为描述方法 | 第26-42页 |
| 3.1 人体行为描述特征量提取的思路 | 第26-27页 |
| 3.2 人体姿势特征提取 | 第27-38页 |
| 3.2.1 基于人体骨骼关节点特征向量的构造 | 第27-33页 |
| 3.2.2 基于人体深度图像的特征向量的构造 | 第33-38页 |
| 3.3 人体姿势表示方法 | 第38-40页 |
| 3.3.1 人体姿势描述特征向量 | 第38页 |
| 3.3.2 行为的姿态序列描述 | 第38-40页 |
| 3.4 行为理解的实现思路 | 第40-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 人体行为姿势识别的算法 | 第42-52页 |
| 4.1 SVM算法介绍 | 第42-48页 |
| 4.1.1 SVM算法的基本原理 | 第42页 |
| 4.1.2 线性支持向量机 | 第42-45页 |
| 4.1.3 非线性支持向量机 | 第45-48页 |
| 4.2 LIBSVM介绍 | 第48页 |
| 4.3 用于人体姿势识别的SVM算法的设计 | 第48-50页 |
| 4.4 本章小结 | 第50-52页 |
| 第五章 人体行为理解算法研究 | 第52-66页 |
| 5.1 朴素贝叶斯分类算法介绍 | 第52-55页 |
| 5.2 人体姿势序列识别的朴素贝叶斯算法设计 | 第55-57页 |
| 5.3 隐马尔科夫算法介绍 | 第57-62页 |
| 5.3.1 马尔科夫模型与隐马尔科夫模型 | 第57-58页 |
| 5.3.2 HMM的三个基本问题 | 第58-59页 |
| 5.3.3 求解观测序列的概率 | 第59-60页 |
| 5.3.4 维特比算法 | 第60-62页 |
| 5.3.5 HMM的参数估计 | 第62页 |
| 5.4 人体姿势识别中隐马尔科夫算法设计 | 第62-64页 |
| 5.5 本章小结 | 第64-66页 |
| 第六章 人体行为理解实验平台与测试结果 | 第66-74页 |
| 6.1 相关函数库介绍 | 第66页 |
| 6.2 测试平台 | 第66-67页 |
| 6.3 测试结果分析 | 第67-72页 |
| 6.4 本章小结 | 第72-74页 |
| 第七章 总结和展望 | 第74-76页 |
| 7.1 总结 | 第74页 |
| 7.2 展望 | 第74-76页 |
| 致谢 | 第76-78页 |
| 参考文献 | 第78-81页 |
| 攻读硕士期间的科研成果 | 第81页 |
