| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 人体动作识别的研究背景及意义 | 第11页 |
| 1.2 人体动作识别的主要方法 | 第11-15页 |
| 1.2.1 动作特征的提取 | 第12-13页 |
| 1.2.2 人体动作识别的分类方法 | 第13-15页 |
| 1.3 本文的主要工作和内容安排 | 第15-17页 |
| 1.3.1 本文的主要工作 | 第15-16页 |
| 1.3.2 本文的内容安排 | 第16-17页 |
| 第二章 相关工作 | 第17-20页 |
| 2.1 基于单视角的人体动作识别算法 | 第17-18页 |
| 2.2 基于多视角的人体动作识别算法 | 第18页 |
| 2.3 基于图集的人脸识别算法 | 第18-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第三章 基于图集和组稀疏的多维人体动作识别算法 | 第20-34页 |
| 3.1 多维人体动作识别框架 | 第20-21页 |
| 3.2 基于图集和组稀疏的多维人体动作识别算法 | 第21-24页 |
| 3.3 实验设置 | 第24-27页 |
| 3.3.1 CVS-MV-RGBD 3D数据集 | 第24-25页 |
| 3.3.2 IXMAS数据集 | 第25-26页 |
| 3.3.3 Northwestern UCLA数据集 | 第26页 |
| 3.3.4 性能评估准则 | 第26-27页 |
| 3.3.5 实验环境设置 | 第27页 |
| 3.4 实验结果与性能分析 | 第27-33页 |
| 3.4.1 不同视角之间关联度的讨论 | 第27-29页 |
| 3.4.2 不同视角间特征融合的性能测试 | 第29-30页 |
| 3.4.3 基于图集和组稀疏算法性能评估以及与其他算法的比较 | 第30-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第四章 图集中样本数目的增加对图集算法性能的影响评估 | 第34-45页 |
| 4.1 现有的基于图集的人脸识别算法的回顾 | 第34-36页 |
| 4.1.1 基于线性子空间方法 | 第35页 |
| 4.1.2 基于非线性流形方法 | 第35页 |
| 4.1.3 基于仿射/凸包方法 | 第35页 |
| 4.1.4 基于概率模型方法 | 第35-36页 |
| 4.2 常用人脸数据集与多视角动作数据集 | 第36-37页 |
| 4.2.1 Honda/UCSD数据集 | 第36页 |
| 4.2.2 CMU MoBo数据集 | 第36页 |
| 4.2.3 ETH-80 数据集 | 第36-37页 |
| 4.2.4 ACT42数据集 | 第37页 |
| 4.3 实验设置 | 第37-38页 |
| 4.4 实验结果与分析 | 第38-43页 |
| 4.4.1 图集中样本数目增加对图集算法性能影响在人脸数据集上的讨论 | 第38-40页 |
| 4.4.2 图集中样本数目增加对图集算法性能影响在动作数据集上的讨论 | 第40-43页 |
| 4.5 本章小结 | 第43-45页 |
| 第五章 基于反转测试图集模型的多视角动作识别算法 | 第45-52页 |
| 5.1 测试集中样本的增加 | 第45-46页 |
| 5.2 基于反转测试图集模型的动作识别模型 | 第46-47页 |
| 5.3 解决方案和推理 | 第47-48页 |
| 5.4 实验设置 | 第48页 |
| 5.4.1 特征提取 | 第48页 |
| 5.4.2 参数设置 | 第48页 |
| 5.5 实验结果与分析 | 第48-51页 |
| 5.5.1 测试集中样本数目对重建系数和图集系数分布的影响评估 | 第48-50页 |
| 5.5.2 RTISM算法的性能评估 | 第50-51页 |
| 5.6 本章小结 | 第51-52页 |
| 第六章 总结与展望 | 第52-54页 |
| 6.1 工作总结 | 第52-53页 |
| 6.2 展望未来 | 第53-54页 |
| 参考文献 | 第54-63页 |
| 发表论文和科研情况 | 第63-64页 |
| 致谢 | 第64-65页 |
