人体行为的特征表示与识别

　　人体行为识别作为计算机视觉领域的一个重要课题，尽管在过去的几十年中得到了广泛的研究，至今仍然被视为一项具有挑战性的任务，特别是在现实场景中，人体行为识别遇到巨大困难。这些困难主要源于视频数据的类内变化大、背景干扰、遮挡、光照变化和噪声等。在本书中，回顾近年来人体行为识别的发展历程，并从全局特征表示和局部特征表示角度，介绍作者相关研究成果，并在最后介绍了骨架节点的人体行为识别、深度信息下人体行为识别和跨域的人体行为识别的最新研究工作。

　　朱本伟副教授一直致力于新型海洋多糖水解酶的挖掘及其结构与功能研究，研究工作主要集中在开发新型海洋多糖水解酶方面，并利用酶法等生物方法将天然碳水化合物资源转化为功能食品或功能产品，重点研究如何绿色高效地从多糖降解制备得到寡糖；进而对此过程中重要的海洋酶进行发现、创制、改造及机制研究并取得了较好的研究成果。

第1 章 人体行为识别概述001
1.1 人体行为识别介绍 001
1.2 人体行为识别的国内外研究现状. 002
1.2.1 时空兴趣点 003
1.2.2 局部特征表示 004
1.2.3 全局特征表示 006
1.2.4 深度特征表示 007
1.3 人体行为识别数据集. 008
参考文献. 012
第2 章 全局特征表示下的人体行为识别.017
2.1 运动与结构特征嵌入. 017
2.1.1 概述 017
2.1.2 特征映射 019
2.1.3 高斯金字塔 020
2.1.4 中心环绕机制 021
2.1.5 特征提取 022
2.1.6 实验结果 025
2.2 时空拉普拉斯金字塔编码. 032
2.2.1 概述 032
2.2.2 基于时空拉普拉斯金字塔特征提取 033
2.2.3 特征提取 036
2.2.4 实验结果 038
2.3 时空可控能量描述符. 044
2.3.1 概述 044
2.3.2 时空可控金字塔特征表示. 045
2.3.3 实验结果 049
2.4 本章小结 055
参考文献. 055
第3 章 局部特征表示下的人体行为识别.061
3.1 基于BoW 方法 061
3.1.1 概述 061
3.1.2 BoW 局部特征表示. 062
3.1.3 实验结果 065
3.2 基于稀疏编码方法 068
3.2.1 概述 068
3.2.2 基于稀疏编码的局部特征表示. 068
3.2.3 实验结果 071
3.3 基于匹配核方法 073
3.3.1 概述 073
3.3.2 匹配核的局部特征表示. 074
3.3.3 实验结果 076
3.4 朴素贝叶斯近邻方法及其扩展. 076
3.4.1 概述 076
3.4.2 朴素贝叶斯最近邻方法. 077
3.4.3 朴素贝叶斯最近邻核方法. 078
3.4.4 局部朴素贝叶斯最近邻方法. 079
3.4.5 实验结果 080
3.5 基于图像到类距离的判别嵌入. 081
3.5.1 概述 081
3.5.2 图像到类距离 082
3.5.3 基于I2C 距离的判别嵌入. 083
3.5.4 实验结果 088
3.6 局部高斯嵌入 091
3.6.1 概述 091
3.6.2 局部高斯嵌入 092
3.6.3 实验结果 096
3.7 本章小结 100
参考文献. 101
第4 章 人体行为识别新技术105
4.1 骨架节点的人体行为识别. 105
4.1.1 概述 105
4.1.2 人体骨架及骨架数据集. 107
4.1.3 基于骨架节点的深度学习的人体行为识别 109
4.2 深度信息下的人体行为识别. 116
4.2.1 概述 116
4.2.2 深度图获取 117
4.2.3 深度图特征表征. 119
4.2.4 多通道融合 124
4.3 跨域的人体行为识别. 127
4.3.1 概述 127
4.3.2 跨光谱人体行为识别. 128
4.3.3 跨视角人体行为识别. 130
4.3.4 跨媒体人体行为识别. 134
4.4 本章小结 137
参考文献. 137
第5 章 总结与展望.146