视频动作识别研究 目录

第1章 绪论1．1 基于手动特征的行为识别方法1．2 特征采样方法1．2．1 基于兴趣区域的采样1．2．2 基于轨迹的采样1．2．3 基于身体部分的采样1．3 描述符1．3．1 全局描述符1．3．2 局部描述符1．4 特征预／后处理技术1．5 聚类方法1．6 编码方法1．7 基于深度学习的行为识别方法1．8 行为识别算法分析评价1．8．1 基准数据集介绍1．8．2 行为识别算法分析与比较1．8．3 行为识别中亟待解决的问题及未来发展趋势1．9 结论第2章 基于KL散度及多尺度融合的显著性区域检测算法2．1 算法描述2．1．1 超像素分隔2．1．2 判别力颜色聚类量化2．1．3 构建邻接扩展闭环连通图2．1．4 显著图生成及优化2．1．5 算法流程2．2 实验结果及分析2．2．1 多尺度与单尺度检测效果比较2．2．2 数据集MSRA一1000上的实验结果比较2．2．3 数据集ECSSD上的实验效果比较2．2．4 算法分析2．3 结论与展望第3章 一种基于分割集成的行人检测方法3．1 基于分割集成的行人检测方法3．1．1 特征表示3．1．2 分割方法3．2．3 全局分类器的学习3．2．4 集成全局分类器3．2 实验及结果分析3．2．1 实验数据集及实验设置3．2．2 使用单一特征的全局检测器与集成后性能比较3．2．3 两种特征结合方法的性能比较3．2．4 Aevpf集成方法与其他先进方法的性能比较3．3 结束语第4章 基于集成多示例学习的meanshift跟踪算法4．1 本书算法4．1．1 集成多示例学习跟踪4．1．2 结合RGB和LBP的meanshift跟踪算法4．1．3 MEMIL算法4．2 实验结果及分析4．2．1 实验数据集及实验设置4．2．2 三种算法对比4．2．3 MEMIL和CT[150]、PLS、ODFS[96]的对比4．2．4 实验分析4．3 结论第5章 融合多姿势估计特征的动作识别5．1 提出的方法5．1．1 姿势估计5．1．2 模板的建立5．1．3 *优匹配5．1．4 算法描述及流程图5．2 实验结果与分析5．2．1 实验数据集及参数设置5．2．2 动作识别及结果分析5．3 结论第6章 行为识别中一种基于融合特征的改进VLAD编码方法6．1 IVLAD用于行为识别6．1．1 特征提取6．1．2 视频表示向量构造6．1．3 视觉向量的构造6．1．4 位置向量的构造6．1．5 向量归一化6．2 实验与分析6．2．1 实验数据6．2．2 实验设置6．2．3 实验结果及分析6．3 结论第7章 动作切分和流形度量学习的视频动作识别方法7．1 基于流形度量学习的动作识别方法7．1．1 视频中的人体动作切分7．1．2 人体包围盒面积函数的平滑7．1．3 动作切分7．1．4 利用协方差矩阵融合动作特征7．1．5 流形度量学习7．1．6 算法流程7．2 实验结果及分析7．2．1 实验数据及参数设置7．2．3 切分实验结果分析7．2．4 动作识别结果分析7．3 结论第8章 跨层融合与多模型投票的动作识别8．1 提出的方法8．1．1 近似排序池化与近似动态图像8．1．2 跨层融合网络模型8．1．3 投票识别模型的建立8．2 实验结果与分析8．2．1 实验设置8．2．2 跨层融合权重设置实验分析8．2．3 跨层融合模型识别效果实验分析8．2．4 投票集成模型识别效果实验分析8．3 结束语第9章 基于深度学习的视频中人体动作识别进展综述9．1 基于不同输入类型的深度模型动作识别算法综述9．1．1 输入信号的类型9．1．2 输入信号流的个数9．1．3 不同输入类型的深度模型识别算法性能比较分析9．2 结合深度模型和传统手动提取特征的动作识别方法综述9．2．1 手动特征提取方法9．2．2 结合基于轨迹的特征和深度模型方法9．3 预训练对深度模型方法的影响分析9．4 结论及未来可能的研究方向参考文献

视频动作识别研究 内容简介

人体动作识别具有非常广泛的应用，但是由于不同人在不同的场景下做同一类动作表现出的视觉差异非常大，所以动作识别研究具有非常大的挑战。《视频动作识别研究/江西理工大学清江学术文库》系统讨论了利用多特征和多模型进行动作识别的方法，内容包括：按照传统视频动作识别算法流程综述了视频动作识别各步骤的技术方法；基于对超像素颜色概率分布区间KL散度的计算，以及多尺度显著图的融合处理，研究了一种新的显著性区域检测算法；为提高行人检测的准确率，研究了一种基于分割集成的方法用于静态图片中的行人检测；为了实现长时间稳定的跟踪，结合匹配型跟踪方法和决策型跟踪方法的优势，同时利用集成学习的思想构建多个强分类器，提出一种基于集成多示例学习的mean shift跟踪算法；为了提高静态图像在遮挡等复杂情况下的动作识别效果和鲁棒性，利用已得到的多个动作模型对任意一幅图像进行姿势估计，得到图像的多组姿势特征信息，实现动作识别；对视频中提取的多种特征进行有效融合，提出了利用流形度量学习的人体动作识别方法；提出了一种将位置信息映射到视觉特征中的融合方式，并将其用于动作识别中；针对动作特征在卷积神经网络模型传输时的损失问题以及网络模型过拟合的问题，提出一种跨层融合模型和多个模型投票的动作识别方法；后针对近流行的基于深度学习的动作识别方法进行了详细的综述，并对未来动作识别研究可能的发展方向进行了论述。《视频动作识别研究/江西理工大学清江学术文库》可供从事模式识别、机器学习、图像分析等相关领域的研究人员参考。