人體動(dòng)作識(shí)別一直是計(jì)算機(jī)視覺(jué)領(lǐng)域研究的熱點(diǎn),得到了學(xué)術(shù)界和企業(yè)界廣泛的關(guān)注。深度相機(jī)和機(jī)器學(xué)習(xí)的結(jié)合應(yīng)用使得目標(biāo)檢測(cè)與分割任務(wù)的難度有所降低。它們也為姿態(tài)估計(jì)和人體動(dòng)作識(shí)別研究提供了新的思路。如何使用深度數(shù)據(jù)提高人體動(dòng)作識(shí)別系統(tǒng)的性能,是目前亟待需要解決的一個(gè)重要問(wèn)題。本文針對(duì)基于深度圖像的人體動(dòng)作識(shí)別這一課題展開(kāi)研究,研究?jī)?nèi)容包括底層特征提取、中層特征編碼、動(dòng)作分類模型等幾個(gè)方面。本文的主要貢獻(xiàn)包括:（1）提出了一種基于骨架關(guān)節(jié)點(diǎn)運(yùn)動(dòng)軌跡的人體動(dòng)作識(shí)別方法為了提高動(dòng)作識(shí)別的準(zhǔn)確率和實(shí)時(shí)性,提出一種基于關(guān)節(jié)點(diǎn)運(yùn)動(dòng)軌跡的動(dòng)作識(shí)別方法。受心理物理學(xué)中關(guān)于人體運(yùn)動(dòng)實(shí)驗(yàn)的啟發(fā),使用人體骨架關(guān)節(jié)點(diǎn)的運(yùn)動(dòng)軌跡來(lái)表示人體動(dòng)作,它能夠在時(shí)空維度上對(duì)動(dòng)作進(jìn)行完整表達(dá)。在此基礎(chǔ)上使用高斯混合模型對(duì)關(guān)節(jié)點(diǎn)運(yùn)動(dòng)軌跡進(jìn)行聚類,進(jìn)而通過(guò)Fisher向量進(jìn)行特征量化�？紤]到動(dòng)作識(shí)別任務(wù)的實(shí)時(shí)性需求,提出基于超限學(xué)習(xí)機(jī)的動(dòng)作識(shí)別,以此提升動(dòng)作識(shí)別任務(wù)的實(shí)時(shí)性和準(zhǔn)確率。最后,通過(guò)在公開(kāi)數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果驗(yàn)證了該方法的有效性。（2）提出了一種基于關(guān)節(jié)間夾角序列的人體動(dòng)作識(shí)別方法針對(duì)人體動(dòng)作識(shí)別中的復(fù)雜背景和視點(diǎn)變... 

【文章來(lái)源】：蘭州交通大學(xué)甘肅省

【文章頁(yè)數(shù)】：98 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
Abstract
1 緒論
    1.1 課題的研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 使用關(guān)節(jié)點(diǎn)
        1.2.2 使用深度數(shù)據(jù)
        1.2.3 混合使用多種模態(tài)數(shù)據(jù)
    1.3 基于深度圖像序列動(dòng)作識(shí)別的研究難點(diǎn)
    1.4 本文的主要貢獻(xiàn)
    1.5 本文的主要內(nèi)容及組織結(jié)構(gòu)
2 使用深度數(shù)據(jù)進(jìn)行人體動(dòng)作識(shí)別
    2.1 相關(guān)研究工作
    2.2 基于深度運(yùn)動(dòng)投影和時(shí)域分割的人體動(dòng)作識(shí)別
        2.2.1 方法描述
        2.2.2 實(shí)驗(yàn)及結(jié)果分析
    2.3 特征提取策略對(duì)動(dòng)作分類性能影響的評(píng)估
        2.3.1 方法描述
        2.3.2 實(shí)驗(yàn)及結(jié)果分析
    2.4 基于非負(fù)矩陣分解的人體動(dòng)作識(shí)別
        2.4.1 方法描述
        2.4.2 實(shí)驗(yàn)及結(jié)果分析
    2.5 基于糾錯(cuò)輸出編碼的人體動(dòng)作識(shí)別
        2.5.1 方法描述
        2.5.2 實(shí)驗(yàn)及結(jié)果分析
    2.6 本章小結(jié)
3 使用骨架關(guān)節(jié)點(diǎn)數(shù)據(jù)進(jìn)行動(dòng)作識(shí)別
    3.1 相關(guān)研究工作
    3.2 基于關(guān)節(jié)點(diǎn)運(yùn)動(dòng)軌跡的人體動(dòng)作識(shí)別
        3.2.1 方法描述
        3.2.2 實(shí)驗(yàn)及結(jié)果分析
    3.3 基于關(guān)節(jié)間夾角變化序列的動(dòng)作識(shí)別
        3.3.1 方法描述
        3.3.2 實(shí)驗(yàn)及結(jié)果分析
    3.4 人體跌倒檢測(cè)算法
        3.4.1 方法描述
        3.4.2 實(shí)驗(yàn)及結(jié)果分析
    3.5 本章小結(jié)
4 使用運(yùn)動(dòng)歷史圖像進(jìn)行動(dòng)作識(shí)別
    4.1 相關(guān)研究工作
    4.2 基于3D運(yùn)動(dòng)歷史圖像和多任務(wù)學(xué)習(xí)的動(dòng)作識(shí)別
        4.2.1 方法描述
        4.2.2 實(shí)驗(yàn)及結(jié)果分析
    4.3 基于3DMTM的人體動(dòng)作識(shí)別
        4.3.1 方法描述
        4.3.2 實(shí)驗(yàn)及結(jié)果分析
    4.4 本章小結(jié)
5 小樣本動(dòng)作識(shí)別
    5.1 相關(guān)研究工作
    5.2 基于協(xié)作表示的人體動(dòng)作識(shí)別
        5.2.1 方法描述
        5.2.2 實(shí)驗(yàn)及結(jié)果分析
    5.3 基于最近鄰子空間分類器的人體動(dòng)作識(shí)別
        5.3.1 方法描述
        5.3.2 實(shí)驗(yàn)及結(jié)果分析
    5.4 基于稀疏表示的人體動(dòng)作識(shí)別
        5.4.1 方法描述
        5.4.2 實(shí)驗(yàn)及結(jié)果分析
    5.5 基于CROC的人體動(dòng)作識(shí)別
        5.5.1 方法描述
        5.5.2 實(shí)驗(yàn)及結(jié)果分析
    5.6 本章小結(jié)
6 特征編碼對(duì)動(dòng)作分類性能影響的評(píng)估
    6.1 相關(guān)研究工作
    6.2 基于VLAD的人體動(dòng)作識(shí)別
        6.2.1 方法描述
        6.2.2 實(shí)驗(yàn)及結(jié)果分析
    6.3 基于改進(jìn)VLAD的人體動(dòng)作識(shí)別
        6.3.1 方法描述
        6.3.2 實(shí)驗(yàn)及結(jié)果分析
    6.4 本章小結(jié)
結(jié)論
致謝
參考文獻(xiàn)
攻讀學(xué)位期間的研究成果



本文編號(hào)：3168381