| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 第1章 绪论 | 第12-16页 |
| 1.1 研究背景及意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 本文研究内容 | 第14-15页 |
| 1.4 论文组织结构 | 第15-16页 |
| 第2章 本文相关的研究工作 | 第16-30页 |
| 2.1 深度图和骨架空间 | 第16-17页 |
| 2.2 时空兴趣点特征 | 第17-21页 |
| 2.3 Moving Pose特征 | 第21-22页 |
| 2.4 K-SVD词典学习算法和稀疏表示分类器 | 第22-24页 |
| 2.4.1 K-SVD词典学习算法 | 第22-23页 |
| 2.4.2 稀疏表示分类器 | 第23-24页 |
| 2.5 投影词典对学习(Projective Dictionary Pair Learning) | 第24-27页 |
| 2.6 支持向量机 | 第27-30页 |
| 第3章 动作识别模型 | 第30-40页 |
| 3.1 Trajectorylet特征 | 第30-35页 |
| 3.1.1 Trajectorylet特征和词典学习 | 第30-33页 |
| 3.1.2 稀疏编码学习得到具有判别力的Trajectorylet特征 | 第33-34页 |
| 3.1.3 身体各部分的具有判别力的Trajectorylet特征 | 第34-35页 |
| 3.2 基于投影词典对学习的卷积特征 | 第35-37页 |
| 3.3 降维的对数协方差特征 | 第37-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 实验步骤与结果 | 第40-63页 |
| 4.1 数据集简介 | 第40-44页 |
| 4.1.1 MSR Action3D数据集简介 | 第40-42页 |
| 4.1.2 MSR Daily Activity3D数据集简介 | 第42-43页 |
| 4.1.3 CAD60数据集简介 | 第43-44页 |
| 4.2 实验结果和分析 | 第44-59页 |
| 4.2.1 时空描述子特征实验结果和分析 | 第45-47页 |
| 4.2.2 Moving Pose特征实验结果和分析 | 第47-48页 |
| 4.2.3 Trajectorylet特征实验结果和分析 | 第48-50页 |
| 4.2.4 有判别力的Trajectorylet特征实验结果和分析 | 第50-53页 |
| 4.2.5 基于投影词典对学习的卷积特征实验结果和分析 | 第53-56页 |
| 4.2.6 降维的对数协方差特征实验结果和分析 | 第56-59页 |
| 4.3 与其他方法的对比 | 第59-61页 |
| 4.3.1 MSR Action3D数据集 | 第59-60页 |
| 4.3.2 MSR Daily Activity3D数据集 | 第60页 |
| 4.3.3 CAD60数据集 | 第60-61页 |
| 4.4 本章小结 | 第61-63页 |
| 第5章 总结与展望 | 第63-65页 |
| 5.1 论文总结 | 第63-64页 |
| 5.2 后续工作展望 | 第64-65页 |
| 附录 | 第65-66页 |
| 参考文献 | 第66-72页 |
| 致谢 | 第72页 |
