視頻動作識別研究

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(shù)
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(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(jié)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(jié)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(jié)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(jié)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(jié)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(jié)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(jié)合RGB和LBP的meanshift跟蹤算法
4．1．3 MEMIL算法
4．2 實驗結(jié)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(jié)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(jié)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(jié)果分析
5．3 結(jié)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(gòu)造
6．1．3 視覺向量的構(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(jié)果及分析
6．3 結(jié)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(jié)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(jié)果分析
7．2．4 動作識別結(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(jié)果與分析
8．2．1 實驗設置
8．2．2 跨層融合權(quán)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(jié)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(jié)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(jié)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(jié)論及未來可能的研究方向
參考文獻