視覺人體動作識別技術

●第1章 緒論001
1.1 研究目的和意義001
1.2 國內(nèi)外研究現(xiàn)狀005
1.2.1 人體姿態(tài)估計005
1.2.2 基于視頻的人體動作識別011
1.2.3 基于骨架序列的人體動作識別014
1.2.4 基于互動關系的視覺人體動作識別015
1.2.5 視頻群體動作識別027
1.3 研究內(nèi)容032
1.4 本書結構安排034
第2章 基于時序一致性探索的人體2D姿態(tài)估計036
2.1 引言036
2.2 相關工作038
2.2.1 基于深度學習的視頻人體2D姿態(tài)估計038
2.2.2 卷積長短時記憶網(wǎng)絡和可變形卷積038
2.3 問題定義039
2.4 圖像人體2D姿態(tài)估計網(wǎng)絡040
2.5 視頻時序一致性探索041
2.5.1 變形操作042
2.5.2 聚合操作043
2.5.3 雙向時序一致性探索043
2.5.4 多尺度時序一致性探索044
2.6 視頻人體2D姿態(tài)估計網(wǎng)絡044
2.7 實驗結果046
2.7.1 實驗設置046
2.7.2 性能比較048
2.7.3 模型控制變量分析與實驗結果051
2.8 本章小結055
第3章 多視角幾何驅動的自監(jiān)督人體3D姿態(tài)估計057
3.1 引言057
3.2 相關工作059
3.2.1 基于深度學習的單目人體3D姿態(tài)估計060
3.2.2 弱/自監(jiān)督單目人體3D姿態(tài)估計060
3.3 自監(jiān)督人體3D姿態(tài)估計方法061
3.3.1 雙分支自監(jiān)督訓練網(wǎng)絡結構061
3.3.2 損失函數(shù)062
3.3.3 訓練064
3.4 實驗結果065
3.4.1 實驗設置065
3.4.2 模型控制變量分析與實驗結果066
3.4.3 性能比較070
3.5 本章小結071
第4章 基于人體形狀與相機視角一致分解的人體3D姿態(tài)估計072
4.1 引言072
4.2 相關工作074
4.2.1 基于字典學習的單目人體3D姿態(tài)估計方法074
4.2.2 運動恢復非剛體結構075
4.3 問題定義075
4.4 一致分解網(wǎng)絡076
4.5 層次化字典學習077
4.6 模型訓練079
4.7 實驗結果079
4.7.1 實驗設置079
4.7.2 模型控制變量分析與實驗結果080
4.7.3 性能比較083
4.8 本章小結084
第5章 基于多時空特征的人體動作識別086
5.1 引言086
5.2 相關工作088
5.2.1 基于表觀的時空表示學習088
5.2.2 基于骨架序列的時空表示學習089
5.3 多時空特征人體動作識別方法概述089
5.4 多層級表觀特征聚合090
5.4.1 局部演化描述符提取090
5.4.2 局部演化描述符編碼092
5.4.3 深度監(jiān)督的多層級特征聚合092
5.5 時空圖卷積網(wǎng)絡093
5.5.1 時空圖卷積094
5.5.2 網(wǎng)絡細節(jié)095
5.6 實驗結果096
5.6.1 實驗設置096
5.6.2 模型控制變量分析與實驗結果097
5.6.3 性能比較099
5.7 本章小結100
第6章 基于扁平式互動關系分析的多人動作識別101
6.1 引言101
6.2 相關工作109
6.3 特征表征111
6.3.1 肢體角度描述符特征113
6.3.2 空間布局特征114
6.3.3 基于融合受限玻爾茲曼機的特征融合116
6.4 線索互動關系模型126
6.5 扁平式動作識別方法127
6.6 局部線索與局部識別129
6.7 基于目標子空間度量的動作相關性分析130
6.8 全局線索整合與動作識別131
6.8.1 全局-局部線索整合算法131
6.8.2 改進全局-局部線索整合算法132
6.9 實驗結果與分析136
6.9.1 數(shù)據(jù)集及實驗設置136
6.9.2 算法結果與分析138
6.9.3 與現(xiàn)有方法的對比146
6.10 本章小結149
第7章 基于層級式互動關系分析的群組動作識別150
7.1 引言150
7.2 相關工作152
7.3 混合群組動作模型154
●
● 7.4 混合群組動作模型的概率分布157 
●
● ……