基于概率特征的在线人体动作识别方法研究
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 人体动作识别技术的发展 | 第9-10页 |
| 1.3 国内外研究现状 | 第10-13页 |
| 1.3.1 基于RGB视频数据的动作识别方法 | 第10-11页 |
| 1.3.2 基于骨骼数据的动作识别方法 | 第11-13页 |
| 1.4 人体动作识别方法面临的挑战 | 第13-14页 |
| 1.5 本文的主要研究内容 | 第14-15页 |
| 1.6 本文的组织结构 | 第15-16页 |
| 2 基于Lie群的人体骨架表示 | 第16-30页 |
| 2.1 Kinect简介 | 第16-20页 |
| 2.1.1 Kinect的传感器 | 第16-18页 |
| 2.1.2 Kinect的骨骼跟踪技术 | 第18-20页 |
| 2.2 基于Lie群的人体骨架表示 | 第20-28页 |
| 2.2.1 刚体运动 | 第21-23页 |
| 2.2.2 活动坐标系 | 第23-24页 |
| 2.2.3 特殊欧氏群SE(3) | 第24-26页 |
| 2.2.4 人体骨架表示 | 第26-28页 |
| 2.3 常用的人体骨架表示法的比较 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 3 在线人体动作识别方法 | 第30-48页 |
| 3.1 动作的四个类内变化性来源 | 第32-33页 |
| 3.2 骨架表示形式的动作数据流 | 第33-35页 |
| 3.3 概率模型字典 | 第35-42页 |
| 3.3.1 DTW算法 | 第35-37页 |
| 3.3.2 谱聚类算法 | 第37-39页 |
| 3.3.3 运动时间序列聚类 | 第39-40页 |
| 3.3.4 运动时间序列离散化处理 | 第40-41页 |
| 3.3.5 概率模型字典的构造 | 第41-42页 |
| 3.4 概率特征 | 第42-44页 |
| 3.4.1 概率特征提取 | 第42-43页 |
| 3.4.2 概率特征的优点 | 第43-44页 |
| 3.5 动作模型 | 第44-46页 |
| 3.5.1 联合稀疏编码 | 第45-46页 |
| 3.5.2 动作模型训练 | 第46页 |
| 3.6 人体动作的在线识别 | 第46-47页 |
| 3.7 本章小结 | 第47-48页 |
| 4 实验过程及结果分析 | 第48-65页 |
| 4.1 实验数据集介绍 | 第48-51页 |
| 4.2 实验过程 | 第51-58页 |
| 4.2.1 动作实例分割 | 第53-54页 |
| 4.2.2 训练集和测试集的划分 | 第54-55页 |
| 4.2.3 构造概率模型字典 | 第55-56页 |
| 4.2.4 概率特征向量提取 | 第56-57页 |
| 4.2.5 动作模型训练 | 第57页 |
| 4.2.6 动作模型测试 | 第57-58页 |
| 4.3 实验结果分析 | 第58-64页 |
| 4.3.1 实时性分析 | 第58-59页 |
| 4.3.2 识别结果分析 | 第59-64页 |
| 4.4 本章小结 | 第64-65页 |
| 5 总结与展望 | 第65-67页 |
| 5.1 论文研究总结 | 第65-66页 |
| 5.2 研究展望 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 附录 | 第71页 |
| A. 作者在攻读硕士学位期间发表的论文题目 | 第71页 |
