视频动作识别研究

　　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。

暂缺《视频动作识别研究》作者简介

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 最优匹配
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