图书介绍
视频动作识别研究PDF|Epub|txt|kindle电子书版本下载
- 罗会兰著 著
- 出版社： 长沙：中南大学出版社
- ISBN：9787548736851
- 出版时间：2019
- 标注页数：172页
- 文件大小：59MB
- 文件页数：183页
- 主题词：图象识别－研究
PDF下载
下载说明
视频动作识别研究PDF格式电子书版下载
下载的文件为RAR压缩包。需要使用解压软件进行解压得到PDF格式图书。建议使用BT下载工具Free Download Manager进行下载,简称FDM(免费,没有广告,支持多平台）。本站资源全部打包为BT种子。所以需要使用专业的BT下载软件进行下载。如BitComet qBittorrent uTorrent等BT下载工具。迅雷目前由于本站不是热门资源。不推荐使用！后期资源热门了。安装了迅雷也可以迅雷进行下载！
（文件页数 要大于 标注页数，上中下等多册电子书除外）
注意：本站所有压缩包均有解压码： 点击下载压缩包解压工具
图书目录
第1章 绪论1
1.1 基于手动特征的行为识别方法2
1.2 特征采样方法2
1.2.1 基于兴趣区域的采样3
1.2.2 基于轨迹的采样4
1.2.3 基于身体部分的采样4
1.3 描述符5
1.3.1 全局描述符5
1.3.2 局部描述符6
1.4 特征预/后处理技术7
1.5 聚类方法8
1.6 编码方法8
1.7 基于深度学习的行为识别方法10
1.8 行为识别算法分析评价11
1.8.1 基准数据集介绍11
1.8.2 行为识别算法分析与比较14
1.8.3 行为识别中亟待解决的问题及未来发展趋势18
1.9 结论18
第2章 基于KL散度及多尺度融合的显著性区域检测算法19
2.1 算法描述21
2.1.1 超像素分隔21
2.1.2 判别力颜色聚类量化22
2.1.3 构建邻接扩展闭环连通图23
2.1.4 显著图生成及优化25
2.1.5 算法流程28
2.2 实验结果及分析29
2.2.1 多尺度与单尺度检测效果比较30
2.2.2 数据集MSRA-1000上的实验结果比较32
2.2.3 数据集ECSSD上的实验效果比较34
2.2.4 算法分析37
2.3 结论与展望38
第3章 一种基于分割集成的行人检测方法39
3.1 基于分割集成的行人检测方法40
3.1.1 特征表示41
3.1.2 分割方法42
3.2.3 全局分类器的学习43
3.2.4 集成全局分类器45
3.2 实验及结果分析45
3.2.1 实验数据集及实验设置46
3.2.2 使用单一特征的全局检测器与集成后性能比较46
3.2.3 两种特征结合方法的性能比较48
3.2.4 Aevpf集成方法与其他先进方法的性能比较49
3.3 结束语50
第4章 基于集成多示例学习的meanshift跟踪算法51
4.1 本书算法53
4.1.1 集成多示例学习跟踪53
4.1.2 结合RGB和LBP的meanshift跟踪算法56
4.1.3 MEMIL算法58
4.2 实验结果及分析60
4.2.1 实验数据集及实验设置60
4.2.2 三种算法对比60
4.2.3 MEMIL和CT[150]、PLS、ODFS[96]的对比66
4.2.4 实验分析72
4.3 结论73
第5章 融合多姿势估计特征的动作识别74
5.1 提出的方法75
5.1.1 姿势估计76
5.1.2 模板的建立78
5.1.3 最优匹配79
5.1.4 算法描述及流程图81
5.2 实验结果与分析82
5.2.1 实验数据集及参数设置82
5.2.2 动作识别及结果分析84
5.3 结论88
第6章 行为识别中一种基于融合特征的改进VLAD编码方法89
6.1 IVLAD用于行为识别90
6.1.1 特征提取91
6.1.2 视频表示向量构造93
6.1.3 视觉向量的构造93
6.1.4 位置向量的构造94
6.1.5 向量归一化95
6.2 实验与分析96
6.2.1 实验数据96
6.2.2 实验设置97
6.2.3 实验结果及分析98
6.3 结论104
第7章 动作切分和流形度量学习的视频动作识别方法105
7.1 基于流形度量学习的动作识别方法106
7.1.1 视频中的人体动作切分106
7.1.2 人体包围盒面积函数的平滑107
7.1.3 动作切分109
7.1.4 利用协方差矩阵融合动作特征110
7.1.5 流形度量学习111
7.1.6 算法流程113
7.2 实验结果及分析113
7.2.1 实验数据及参数设置114
7.2.3 切分实验结果分析116
7.2.4 动作识别结果分析117
7.3 结论121
第8章 跨层融合与多模型投票的动作识别122
8.1 提出的方法124
8.1.1 近似排序池化与近似动态图像124
8.1.2 跨层融合网络模型125
8.1.3 投票识别模型的建立128
8.2 实验结果与分析129
8.2.1 实验设置130
8.2.2 跨层融合权重设置实验分析130
8.2.3 跨层融合模型识别效果实验分析131
8.2.4 投票集成模型识别效果实验分析132
8.3 结束语133
第9章 基于深度学习的视频中人体动作识别进展综述135
9.1 基于不同输入类型的深度模型动作识别算法综述137
9.1.1 输入信号的类型137
9.1.2 输入信号流的个数138
9.1.3 不同输入类型的深度模型识别算法性能比较分析143
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146
9.2.1 手动特征提取方法146
9.2.2 结合基于轨迹的特征和深度模型方法148
9.3 预训练对深度模型方法的影响分析150
9.4 结论及未来可能的研究方向154
参考文献155