声明
摘要
1 绪论
1.1 研究背景及意义
1.1.1 人体动作识别的挑战性
1.1.2 人体动作识别的应用
1.2 人体动作特征提取方法研究进展
1.2.1 轮廓及扩展表征研究进展
1.2.2 光流及扩展表征研究进展
1.2.3 梯度及扩展表征研究进展
1.2.4 兴趣点及扩展表征研究进展
1.3 人体动作建模识别方法研究进展
1.3.1 概率图模型的人体动作识别方法研究进展
1.3.2 线性回归模型的人体动作识别方法研究进展
1.3.3 非线性动力学模型的人体动作识别方法研究进展
1.4 本文主要研究内容
1.4.1 人体动作完整轮廓特征提取的理论方法的研究
1.4.2 人体动作多特征的结构融合的理论方法的研究
1.4.3 人体动作建模识别的理论方法的研究
1.5 本文的组织结构
2 多聚类特征选择
2.1 问题描述
2.2 方法思想概述
2.3 流形和Grassmann流形
2.3.1 流形的相关定义
2.3.2 流形之间的关系
2.4 基于Grassmann流形的多聚类特征选择方法
2.4.1 GMCFS算法
2.4.2 GFS算法
2.4.3 FGFS算法
2.5 实验分析与讨论
2.5.1 聚类结果的评价指标
2.5.2 聚类测试比较实验结果分析
2.5.3 聚类参数影响
2.5.4 算法的计算复杂度分析
2.5.5 人体动作图像多聚类特征选择实验
2.6 本章小结
3 人体轮廓特征提取
3.1 问题描述及方法思想概述
3.2 最大后验概率的估计框架
3.3 相邻帧间差异模型
3.4 帧内空间马尔科夫随机场模型
3.5 基于分层引导视频人体目标轮廓提取算法
3.5.1 预处理
3.5.2 初始分割标记的能量函数构建与求解
3.5.3 修补分割标记的能量函数构建与求解
3.5.4 先验引导分割标记的能量函数构建与求解
3.5.5 融合分割标记并后处理
3.6 实验分析与讨论
3.6.1 检测结果比对
3.6.2 分割结果比对
3.6.3 实验结果分析
3.6.4 人体动作轮廓提取实验
3.7 本章小结
4 异构特征的流形结构融合
4.1 问题描述
4.2 研究现状
4.3 方法思想概述
4.4 异构特征描述
4.5 结构的度量
4.5.1 向量的测度
4.5.2 向量空间的测度
4.6 流形结构融合
4.6.1 基于局部保留映射的流形结构融合
4.6.2 基于最近邻保留嵌入的流形结构融合
4.6.3 基于张量子空间的流形结构融合
4.7 实验分析与讨论
4.7.1 结构融合特征聚类比对
4.7.2 结构融合特征分类比对
4.7.3 结构融合特征的几何变换实验
4.7.4 结构融合特征的非线性变换实验
4.7.5 结构融合特征和现有方法的比对
4.8 本章小结
5 人体动作动态数据特性建模
5.1 问题描述
5.2 研究现状
5.3 方法思想概述
5.4 基于随机谱回归的流形学习算法
5.5 数据动态特性计算
5.5.1 趋势和季节性
5.5.2 自相关性
5.5.3 非线性测度参数
5.5.4 偏态和峰态
5.5.5 自相似性
5.5.6 混沌性
5.5.7 周期性
5.6 高斯过程建模分类
5.6.1 高斯过程建模与训练
5.6.2 laplace逼近法求p(f/u,v)的估计值q(f/u,v)
5.6.3 对u*无标记样本的分类概率估计
5.7 实验分析与讨论
5.7.1 人体动作识别性能测试
5.7.2 算法比较分析
5.7.3 算法鲁棒性测试
5.8 本章小结
6 人体动作建立动态模型
6.1 问题描述
6.2 研究现状
6.3 方法思想概述
6.4 异构特征空间分布结构描述
6.5 ARMA动态建模方法
6.5.1 建立人体动作特征序列从ARMA模型
6.5.2 C估计值求解
6.5.3 A估计值求解
6.5.4 人体动作观测矩阵的生成
6.6 特征结构融合
6.7 实验分析与讨论
6.7.1 在Weizmann数据库中评估
6.7.2 在KTH数据库中评估
6.8 本章小结
7 总结与展望
7.1 全文总结
7.2 研究展望
致谢
参考文献
攻读博士期间的主要研究成果