| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 注释表 | 第10-11页 |
| 缩略词 | 第11-12页 |
| 第一章 绪论 | 第12-17页 |
| 1.1 研究背景 | 第12页 |
| 1.2 研究意义 | 第12-14页 |
| 1.2.1 智能监控 | 第12-13页 |
| 1.2.2 增强现实 | 第13页 |
| 1.2.3 智能人机交互 | 第13页 |
| 1.2.4 动作分析 | 第13-14页 |
| 1.2.5 图像理解 | 第14页 |
| 1.3 研究状况 | 第14-16页 |
| 1.3.1 树形模型 | 第14-15页 |
| 1.3.2 非树形模型 | 第15页 |
| 1.3.3 层次结构模型 | 第15-16页 |
| 1.4 本文的主要研究工作 | 第16页 |
| 1.5 本文的内容安排 | 第16-17页 |
| 第二章 基于部件模型的姿态估计 | 第17-29页 |
| 2.1 姿态估计模型简介 | 第17-21页 |
| 2.1.1 部件模型 | 第18-20页 |
| 2.1.2 姿态估计模型 | 第20-21页 |
| 2.2 树形模型 | 第21-25页 |
| 2.2.1 线性参数部件模型 | 第21-22页 |
| 2.2.2 高斯树模型 | 第22-24页 |
| 2.2.3 求解方式 | 第24-25页 |
| 2.3 非树形模型 | 第25-28页 |
| 2.3.1 遮挡约束 | 第25-26页 |
| 2.3.2 外观约束 | 第26-27页 |
| 2.3.3 非树形模型求解 | 第27-28页 |
| 2.4 小结 | 第28-29页 |
| 第三章 基于上下文信息的部件姿态估计模型 | 第29-50页 |
| 3.1 基于部件的姿态估计 | 第29-30页 |
| 3.2 混合部件模型简介 | 第30-33页 |
| 3.2.1 参数模型 | 第30-31页 |
| 3.2.2 估计求解 | 第31-32页 |
| 3.2.3 混合部件模型性能分析 | 第32-33页 |
| 3.3 基于上下文信息的混合部件模型 | 第33-37页 |
| 3.3.1 局部上下文信息 | 第33-34页 |
| 3.3.2 非局部上下文信息 | 第34-36页 |
| 3.3.3 姿态估计算法 | 第36-37页 |
| 3.4 实验结果 | 第37-48页 |
| 3.4.1 实验设置 | 第37-38页 |
| 3.4.2 与基准方法的实验性能对比 | 第38-39页 |
| 3.4.3 与其他姿态估计方法的性能对比 | 第39-41页 |
| 3.4.4 上下文信息的作用 | 第41-47页 |
| 3.4.5 噪声抑制 | 第47-48页 |
| 3.5 小结 | 第48-50页 |
| 第四章 基于姿态估计的静态图像动作识别 | 第50-59页 |
| 4.1 动作识别简介 | 第50-51页 |
| 4.2 动作分类 | 第51-53页 |
| 4.2.1 姿态表示 | 第51-52页 |
| 4.2.2 姿态分类 | 第52-53页 |
| 4.3 实验结果 | 第53-58页 |
| 4.3.1 实验设置 | 第53-54页 |
| 4.3.2 姿态估计 | 第54页 |
| 4.3.3 姿态判别分析 | 第54-56页 |
| 4.3.4 其他姿态表示和学习方法对分类性能的影响 | 第56页 |
| 4.3.5 正则化参数 | 第56-57页 |
| 4.3.6 判别模型的稀疏性 | 第57-58页 |
| 4.4 小结 | 第58-59页 |
| 第五章 总结与展望 | 第59-62页 |
| 5.1 姿态估计 | 第59-60页 |
| 5.1.1 工作总结 | 第59页 |
| 5.1.2 未来展望 | 第59-60页 |
| 5.2 动作识别 | 第60-62页 |
| 5.2.1 工作总结 | 第60页 |
| 5.2.2 未来展望 | 第60-62页 |
| 参考文献 | 第62-69页 |
| 致谢 | 第69-70页 |
| 在学期间的研究成果及发表的学术论文 | 第70页 |