声明
摘要
第一章 绪论
1.1 研究背景与意义
1.2 基于视觉信息的行为识别算法研究现状
1.2.1 动作的空间表示方法
1.2.2 动作的时间表示方法
1.3 基于视觉信息的人体行为识别算法存在的问题
1.4 本文主要工作
1.5 章节安排
第二章 基于视觉信息的人体行为识别算法研究
2.1 基于全局特征的人体行为模型
2.1.1 基于人体模型的动作表示方法
2.1.2 基于图像模型的动作表示方法
2.2 基于局部特征的人体行为表示
2.2.1 常用的人的行为识别时空兴趣点检测子
2.2.2 常用的人的行为识别描述子
2.2.3 基于局部特征的人的行为识别中特征提取与描述趋势
2.3 基于局部特征的人的行为表示与识别方法
2.3.1 基于局部特征的人的行为表示方法
2.3.2 基于局部特征的人的行为识别方法
2.4 常用的动作数据集
2.4.1 KTH动作数据集
2.4.2 Weizmann动作数据集
2.4.3 IXMAS动作数据集
2.4.4 UCF体育运动动作数据集
2.4.5 HOHA动作数据集
2.4.6 YouTube数据集
2.4.7 其他动作数据集
2.5 本章小结
第三章 基于视觉局部特征的人体行为识别
3.1 3D Harris检测子
3.2 3D SIFT描述子
3.3 基于词包模型的人体行为表示
3.4 基于在线序贯极速学习机的人体行为识别算法
3.4.1 算法原理
3.4.2 算法实现
3.5 实验结果与分析
3.5.1 对人的在线学习能力
3.5.2 对人的记忆能力
3.5.3 对场景的在线学习能力
3.5.4 对场景的记忆能力
3.6 本章小结
第四章 基于多模型的人体行为识别算法
4.1 相关研究工作
4.2 视觉信息和运动信息特征提取
4.2.1 视觉信息特征提取
4.2.2 兴趣点筛选
4.2.3 运动信息特征提取
4.3 音频特征提取
4.3.1 频谱域特征
4.3.2 时间域特征
4.4 视觉、运动和音频特征融合
4.4.1 信号增强和传感器层融合
4.4.2 特征层融合
4.4.3 分类层融合
4.4.4 决策层融合
4.4.5 语义层融合
4.4.6 混合融合
4.5 实验结果与分析
4.5.1 实验设置
4.5.2 实验结果
4.5.3 实验结果分析
4.6 免疫多克隆极限学习机
4.6.1 问题提出
4.6.2 相关研究工作
4.6.3 免疫多克隆算法
4.6.4 基于免疫多克隆算法优化极限学习机
4.6.5 实验结果与分析
4.7 本章小结
第五章 总结和展望
5.1 全文总结
5.2 展望
参考文献
致谢
攻读硕士学位期间的学术成果