視頻動(dòng)作識(shí)別研究

第1章 緒論
1．1 基于手動(dòng)特征的行為識(shí)別方法
1．2 特征采樣方法
1．2．1 基于興趣區(qū)域的采樣
1．2．2 基于軌跡的采樣
1．2．3 基于身體部分的采樣
1．3 描述符
1．3．1 全局描述符
1．3．2 局部描述符
1．4 特征預(yù)／后處理技術(shù)
1．5 聚類方法
1．6 編碼方法
1．7 基于深度學(xué)習(xí)的行為識(shí)別方法
1．8 行為識(shí)別算法分析評(píng)價(jià)
1．8．1 基準(zhǔn)數(shù)據(jù)集介紹
1．8．2 行為識(shí)別算法分析與比較
1．8．3 行為識(shí)別中亟待解決的問(wèn)題及未來(lái)發(fā)展趨勢(shì)
1．9 結(jié)論
第2章 基于KL散度及多尺度融合的顯著性區(qū)域檢測(cè)算法
2．1 算法描述
2．1．1 超像素分隔
2．1．2 判別力顏色聚類量化
2．1．3 構(gòu)建鄰接擴(kuò)展閉環(huán)連通圖
2．1．4 顯著圖生成及優(yōu)化
2．1．5 算法流程
2．2 實(shí)驗(yàn)結(jié)果及分析
2．2．1 多尺度與單尺度檢測(cè)效果比較
2．2．2 數(shù)據(jù)集MSRA一1000上的實(shí)驗(yàn)結(jié)果比較
2．2．3 數(shù)據(jù)集ECSSD上的實(shí)驗(yàn)效果比較
2．2．4 算法分析
2．3 結(jié)論與展望
第3章 一種基于分割集成的行人檢測(cè)方法
3．1 基于分割集成的行人檢測(cè)方法
3．1．1 特征表示
3．1．2 分割方法
3．2．3 全局分類器的學(xué)習(xí)
3．2．4 集成全局分類器
3．2 實(shí)驗(yàn)及結(jié)果分析
3．2．1 實(shí)驗(yàn)數(shù)據(jù)集及實(shí)驗(yàn)設(shè)置
3．2．2 使用單一特征的全局檢測(cè)器與集成后性能比較
3．2．3 兩種特征結(jié)合方法的性能比較
3．2．4 Aevpf集成方法與其他先進(jìn)方法的性能比較
3．3 結(jié)束語(yǔ)
第4章 基于集成多示例學(xué)習(xí)的meanshift跟蹤算法
4．1 本書算法
4．1．1 集成多示例學(xué)習(xí)跟蹤
4．1．2 結(jié)合RGB和LBP的meanshift跟蹤算法
4．1．3 MEMIL算法
4．2 實(shí)驗(yàn)結(jié)果及分析
4．2．1 實(shí)驗(yàn)數(shù)據(jù)集及實(shí)驗(yàn)設(shè)置
4．2．2 三種算法對(duì)比
4．2．3 MEMIL和CT[150]、PLS、ODFS[96]的對(duì)比
4．2．4 實(shí)驗(yàn)分析
4．3 結(jié)論
第5章 融合多姿勢(shì)估計(jì)特征的動(dòng)作識(shí)別
5．1 提出的方法
5．1．1 姿勢(shì)估計(jì)
5．1．2 模板的建立
5．1．3 最優(yōu)匹配
5．1．4 算法描述及流程圖
5．2 實(shí)驗(yàn)結(jié)果與分析
5．2．1 實(shí)驗(yàn)數(shù)據(jù)集及參數(shù)設(shè)置
5．2．2 動(dòng)作識(shí)別及結(jié)果分析
5．3 結(jié)論
第6章 行為識(shí)別中一種基于融合特征的改進(jìn)VLAD編碼方法
6．1 IVLAD用于行為識(shí)別
6．1．1 特征提取
6．1．2 視頻表示向量構(gòu)造
6．1．3 視覺(jué)向量的構(gòu)造
6．1．4 位置向量的構(gòu)造
6．1．5 向量歸一化
6．2 實(shí)驗(yàn)與分析
6．2．1 實(shí)驗(yàn)數(shù)據(jù)
6．2．2 實(shí)驗(yàn)設(shè)置
6．2．3 實(shí)驗(yàn)結(jié)果及分析
6．3 結(jié)論
第7章 動(dòng)作切分和流形度量學(xué)習(xí)的視頻動(dòng)作識(shí)別方法
7．1 基于流形度量學(xué)習(xí)的動(dòng)作識(shí)別方法
7．1．1 視頻中的人體動(dòng)作切分
7．1．2 人體包圍盒面積函數(shù)的平滑
7．1．3 動(dòng)作切分
7．1．4 利用協(xié)方差矩陣融合動(dòng)作特征
7．1．5 流形度量學(xué)習(xí)
7．1．6 算法流程
7．2 實(shí)驗(yàn)結(jié)果及分析
7．2．1 實(shí)驗(yàn)數(shù)據(jù)及參數(shù)設(shè)置
7．2．3 切分實(shí)驗(yàn)結(jié)果分析
7．2．4 動(dòng)作識(shí)別結(jié)果分析
7．3 結(jié)論
第8章 跨層融合與多模型投票的動(dòng)作識(shí)別
8．1 提出的方法
8．1．1 近似排序池化與近似動(dòng)態(tài)圖像
8．1．2 跨層融合網(wǎng)絡(luò)模型
8．1．3 投票識(shí)別模型的建立
8．2 實(shí)驗(yàn)結(jié)果與分析
8．2．1 實(shí)驗(yàn)設(shè)置
8．2．2 跨層融合權(quán)重設(shè)置實(shí)驗(yàn)分析
8．2．3 跨層融合模型識(shí)別效果實(shí)驗(yàn)分析
8．2．4 投票集成模型識(shí)別效果實(shí)驗(yàn)分析
8．3 結(jié)束語(yǔ)
第9章 基于深度學(xué)習(xí)的視頻中人體動(dòng)作識(shí)別進(jìn)展綜述
9．1 基于不同輸入類型的深度模型動(dòng)作識(shí)別算法綜述
9．1．1 輸入信號(hào)的類型
9．1．2 輸入信號(hào)流的個(gè)數(shù)
9．1．3 不同輸入類型的深度模型識(shí)別算法性能比較分析
9．2 結(jié)合深度模型和傳統(tǒng)手動(dòng)提取特征的動(dòng)作識(shí)別方法綜述
9．2．1 手動(dòng)特征提取方法
9．2．2 結(jié)合基于軌跡的特征和深度模型方法
9．3 預(yù)訓(xùn)練對(duì)深度模型方法的影響分析
9．4 結(jié)論及未來(lái)可能的研究方向
參考文獻(xiàn)