基于时空流形学习的人体动作识别
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状和发展态势 | 第11-15页 |
| 1.2.1 人体动作时空信息提取与描述 | 第12-13页 |
| 1.2.2 人体动作时空特征的本征结构提取 | 第13-14页 |
| 1.2.3 人体动作识别理论与方法 | 第14-15页 |
| 1.3 本文主要工作及组织结构 | 第15-17页 |
| 第二章 几种流形学习算法 | 第17-30页 |
| 2.1 空间流形学习算法 | 第17-24页 |
| 2.1.1 局部保持投影（LPP） | 第18-19页 |
| 2.1.2 局部敏感判别分析（LSDA） | 第19-22页 |
| 2.1.3 随机邻域嵌入（SNE） | 第22-24页 |
| 2.2 时空流形学习算法 | 第24-29页 |
| 2.2.1 时域向量轨迹学习（TVTL） | 第24-26页 |
| 2.2.2 局部时空判别嵌入（LSTDE） | 第26-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第三章 基于最大时空差异性嵌入的动作识别 | 第30-52页 |
| 3.1 时空差异性 | 第30-34页 |
| 3.1.1 空间差异性 | 第31-32页 |
| 3.1.2 时域信息的嵌入 | 第32-34页 |
| 3.2 最大时空差异性嵌入（MSTDE） | 第34-36页 |
| 3.3 加核最大时空差异性嵌入（K-MSTDE） | 第36-37页 |
| 3.4 分类器 | 第37-38页 |
| 3.4.1 动作帧分类 | 第38页 |
| 3.4.2 动作序列分类 | 第38页 |
| 3.5 实验及分析 | 第38-51页 |
| 3.5.1 Weizmann数据库动作识别 | 第39-45页 |
| 3.5.1.1 数据库简介及预处理 | 第39-40页 |
| 3.5.1.2 DatasetA识别结果及分析 | 第40页 |
| 3.5.1.3 DatasetB识别结果及分析 | 第40-45页 |
| 3.5.2 Weizmann鲁棒数据库动作识别 | 第45-47页 |
| 3.5.3 IXMAS数据库动作识别 | 第47-49页 |
| 3.5.3.1 数据库简介及预处理 | 第47-48页 |
| 3.5.3.2 识别结果及分析 | 第48-49页 |
| 3.5.4 NLPR数据库步态识别 | 第49-51页 |
| 3.5.4.1 数据库简介及预处理 | 第49-50页 |
| 3.5.4.2 识别结果及分析 | 第50-51页 |
| 3.6 本章小结 | 第51-52页 |
| 第四章 基于有监督t分布随机邻域嵌入的动作识别 | 第52-69页 |
| 4.1 t分布随机邻域嵌入 | 第52-56页 |
| 4.2 有监督t分布随机邻域嵌入 | 第56-60页 |
| 4.2.1 类别信息与时域信息的加入 | 第56-58页 |
| 4.2.2 有监督t分布随机邻域嵌入算法 | 第58-60页 |
| 4.3 增量学习方法 | 第60-62页 |
| 4.3.1 LLE的局部线性思想 | 第60-61页 |
| 4.3.2 LPP的局部保持思想 | 第61-62页 |
| 4.4 实验及分析 | 第62-68页 |
| 4.4.1 视角Camera 4 动作识别 | 第63-67页 |
| 4.4.2 IXMAS数据库动作识别 | 第67-68页 |
| 4.5 本章小结 | 第68-69页 |
| 第五章 总结与展望 | 第69-71页 |
| 5.1 本文工作总结 | 第69-70页 |
| 5.2 未来工作展望 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-78页 |
| 攻硕期间取得的研究成果 | 第78-79页 |
