人体行为识别算法研究

　　行为识别是人工智能、计算机视觉等领域的热点与重点研究问题，旨在对图像、视频数据中的人体行为进行分析识别，其研究成果在安全监控、老年人和病人监护、视频索引与检索、人机交互、物联网等方面得到了广泛应用。然而，现有行为识别技术对解决某些实际应用问题却力有不逮。为解决一些实际问题，《人体行为识别算法研究》针对如下四个关于视频中人体行为识别问题展开了研究，即：在特定场景下，当某些行为的样本极难收集时，如何利用极少的样本快速地对特定行为进行有效识别；在比较复杂但行人可检测的场景中，如何有效地对特定行为进行识别；在比较复杂但行人可检测的场景中，如何快速有效地对多类行为进行识别；在不能有效定位行人的复杂场景中，如何有效地对多类行为进行识别。《人体行为识别算法研究》从实际应用问题出发，以模式识别、机器学习、深度学习等理论为基础，开展了一系列创新性的研究，并针对上述问题给出了相应的解决方案。

　　裴利沈，女，河南濮阳人，中共党员，2016年毕业于电子科技大学，获得博士学位。现任河南财经政法大学计算机与信息工程学院专职教师，主讲课程有数据结构、操作系统原理等。主要研究方向为计算机视觉、机器学习、行为识别等。近年来主持国家自然科学基金项目、省部级项目等多项，发表相关学术论文十余篇。

第1章 绪论
1．1 研究背景及意义
1．2 研究现状及存在问题
1．2．1 人体行为识别概述
1．2．2 人体行为的表征方法
1．2．3 人体行为的分类方法
1．3 研究内容及创新点
1．3．1 主要研究内容
1．3．2 主要创新点
1．4 本书的组织结构
第2章 基于单样本的行为识别与检测
2．1 相关研究及问题形成
2．2 方法概述
2．3 基于霍夫空间投票的行为表征
2．3．1 兴趣点提取
2．3．2 兴趣点匹配
2．3．3 匹配点对投票
2．3．4 位移直方图归一化
2．4 基于运动估计的行为检测
2．4．1 运动区域估计
2．4．2 行为匹配
2．4．3 行为定位
2．5 实验
2．5．1 行为表征的有效性
2．5．2 单实例行为检测
2．5．3 多实例行为检测
2．5．4 行为分类识别
2．5．5 时间复杂度
2．6 本章小结
第3章 基于时空特征学习的行为识别
3．1 相关研究及问题形成
3．2 方法概述
3．3 基于神经网络的时空特征学习
3．3．1 行为跟踪序列
3．3．2 视频块形状特征
3．3．3 多RBMs神经网络层
3．3．4 时空特征
3．4 基于SVM分类器的行为识别
3．5 实验
3．5．1 UCF Sports行为数据库
3．5．2 Keck Gesture数据库
3．5．3 KTH行为数据库
3．6 本章小结
第4章 基于倒排索引表的快速多类行为识别
4．1 相关研究及问题形成
4．2 方法概述
4．3 基于行为状态序列的行为表征
4．3．1 预处理
4．3．2 行为状态二叉树
4．3．3 行为状态序列表征
4．4 基于倒排索引表的行为识别
4．4．1 倒排索引表
4．4．2 行为识别的分值向量
4．4．3 权重学习
4．5 实验
4．5．1 Keck Gesture数据库
4．5．2 Weizmann行为数据库
4．5．3 KTH行为数据库
4．5．4 UCF Sports行为数据库
4．5．5 时间复杂度
4．6 本章小结
第5章 基于时间缓慢不变特征学习的行为识别
5．1 相关研究及问题形成
5．2 方法概述
5．3 时间缓慢不变特征学习及池化
5．3．1 空间特征学习
5．3．2 空间特征的可视化
5．3．3 时空特征的池化处理
5．4 基于BOF的行为表征及识别
5．5 实验
5．5．1 实验设置
5．5．2 实验细节描述
5．5．3 实验结果与分析
5．6 本章小结
第6章 总结及展望
6．1 全书总结
6．2 未来展望
参考文献