視頻動作識別研究

定　價：￥60.00

作　者：	羅會蘭
出版社：	中南大學出版社
叢編項：	江西理工大學清江學術文庫
標　簽：	暫缺

購買這本書可以去

京東 (￥60.00)

ISBN：	9787548736851	出版時間：	2019-08-01	包裝：
開本：		頁數(shù)：		字數(shù)：

內容簡介

　　人體動作識別具有非常廣泛的應用，但是由于不同人在不同的場景下做同一類動作表現(xiàn)出的視覺差異非常大，所以動作識別研究具有非常大的挑戰(zhàn)。《視頻動作識別研究/江西理工大學清江學術文庫》系統(tǒng)討論了利用多特征和多模型進行動作識別的方法，內容包括：按照傳統(tǒng)視頻動作識別算法流程綜述了視頻動作識別各步驟的技術方法；基于對超像素顏色概率分布區(qū)間KL散度的計算，以及多尺度顯著圖的融合處理，研究了一種新的顯著性區(qū)域檢測算法；為提高行人檢測的準確率，研究了一種基于分割集成的方法用于靜態(tài)圖片中的行人檢測；為了實現(xiàn)長時間穩(wěn)定的跟蹤，結合匹配型跟蹤方法和決策型跟蹤方法的優(yōu)勢，同時利用集成學習的思想構建多個強分類器，提出一種基于集成多示例學習的mean shift跟蹤算法；為了提高靜態(tài)圖像在遮擋等復雜情況下的動作識別效果和魯棒性，利用已得到的多個動作模型對任意一幅圖像進行姿勢估計，得到圖像的多組姿勢特征信息，實現(xiàn)動作識別；對視頻中提取的多種特征進行有效融合，提出了利用流形度量學習的人體動作識別方法；提出了一種將位置信息映射到視覺特征中的融合方式，并將其用于動作識別中；針對動作特征在卷積神經(jīng)網(wǎng)絡模型傳輸時的損失問題以及網(wǎng)絡模型過擬合的問題，提出一種跨層融合模型和多個模型投票的動作識別方法；后針對近流行的基于深度學習的動作識別方法進行了詳細的綜述，并對未來動作識別研究可能的發(fā)展方向進行了論述?！兑曨l動作識別研究/江西理工大學清江學術文庫》可供從事模式識別、機器學習、圖像分析等相關領域的研究人員參考。

作者簡介

暫缺《視頻動作識別研究》作者簡介

圖書目錄

第1章緒論
1．1 基于手動特征的行為識別方法
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／后處理技術
1．5 聚類方法
1．6 編碼方法
1．7 基于深度學習的行為識別方法
1．8 行為識別算法分析評價
1．8．1 基準數(shù)據(jù)集介紹
1．8．2 行為識別算法分析與比較
1．8．3 行為識別中亟待解決的問題及未來發(fā)展趨勢
1．9 結論
第2章基于KL散度及多尺度融合的顯著性區(qū)域檢測算法
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 構建鄰接擴展閉環(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 實驗結果及分析
2．2．1 多尺度與單尺度檢測效果比較
2．2．2 數(shù)據(jù)集MSRA一1000上的實驗結果比較
2．2．3 數(shù)據(jù)集ECSSD上的實驗效果比較
2．2．4 算法分析
2．3 結論與展望
第3章一種基于分割集成的行人檢測方法
3．1 基于分割集成的行人檢測方法
3．1．1 特征表示
3．1．2 分割方法
3．2．3 全局分類器的學習
3．2．4 集成全局分類器
3．2 實驗及結果分析
3．2．1 實驗數(shù)據(jù)集及實驗設置
3．2．2 使用單一特征的全局檢測器與集成后性能比較
3．2．3 兩種特征結合方法的性能比較
3．2．4 Aevpf集成方法與其他先進方法的性能比較
3．3 結束語
第4章基于集成多示例學習的meanshift跟蹤算法
4．1 本書算法
4．1．1 集成多示例學習跟蹤
4．1．2 結合RGB和LBP的meanshift跟蹤算法
4．1．3 MEMIL算法
4．2 實驗結果及分析
4．2．1 實驗數(shù)據(jù)集及實驗設置
4．2．2 三種算法對比
4．2．3 MEMIL和CT[150]、PLS、ODFS[96]的對比
4．2．4 實驗分析
4．3 結論
第5章融合多姿勢估計特征的動作識別
5．1 提出的方法
5．1．1 姿勢估計
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 實驗結果與分析
5．2．1 實驗數(shù)據(jù)集及參數(shù)設置
5．2．2 動作識別及結果分析
5．3 結論
第6章行為識別中一種基于融合特征的改進VLAD編碼方法
6．1 IVLAD用于行為識別
6．1．1 特征提取
6．1．2 視頻表示向量構造
6．1．3 視覺向量的構造
6．1．4 位置向量的構造
6．1．5 向量歸一化
6．2 實驗與分析
6．2．1 實驗數(shù)據(jù)
6．2．2 實驗設置
6．2．3 實驗結果及分析
6．3 結論
第7章動作切分和流形度量學習的視頻動作識別方法
7．1 基于流形度量學習的動作識別方法
7．1．1 視頻中的人體動作切分
7．1．2 人體包圍盒面積函數(shù)的平滑
7．1．3 動作切分
7．1．4 利用協(xié)方差矩陣融合動作特征
7．1．5 流形度量學習
7．1．6 算法流程
7．2 實驗結果及分析
7．2．1 實驗數(shù)據(jù)及參數(shù)設置
7．2．3 切分實驗結果分析
7．2．4 動作識別結果分析
7．3 結論
第8章跨層融合與多模型投票的動作識別
8．1 提出的方法
8．1．1 近似排序池化與近似動態(tài)圖像
8．1．2 跨層融合網(wǎng)絡模型
8．1．3 投票識別模型的建立
8．2 實驗結果與分析
8．2．1 實驗設置
8．2．2 跨層融合權重設置實驗分析
8．2．3 跨層融合模型識別效果實驗分析
8．2．4 投票集成模型識別效果實驗分析
8．3 結束語
第9章基于深度學習的視頻中人體動作識別進展綜述
9．1 基于不同輸入類型的深度模型動作識別算法綜述
9．1．1 輸入信號的類型
9．1．2 輸入信號流的個數(shù)
9．1．3 不同輸入類型的深度模型識別算法性能比較分析
9．2 結合深度模型和傳統(tǒng)手動提取特征的動作識別方法綜述
9．2．1 手動特征提取方法
9．2．2 結合基于軌跡的特征和深度模型方法
9．3 預訓練對深度模型方法的影響分析
9．4 結論及未來可能的研究方向
參考文獻