前言

第1章 緒論
1．1 研究背景
1．2 研究現(xiàn)狀、存在的問題和挑戰(zhàn)
1．2．1 基于視頻的二維跟蹤研究
1．2．2 基于視頻的三維跟蹤研究
1．2．3 基于視頻的裝配解析研究
1．2．4 Kinect工作原理
1．2．5 基于視頻序列的人體行為識別方法
1．2．6 基于深度圖序列的人體行為識別方法
1．2．7 基于三維骨架序列的人體行為識別方法
1．3 本書結(jié)構(gòu)

第2章 變換矩陣的李代數(shù)表示
2．1 變換矩陣
2．2 仿射變換矩陣的李代數(shù)表示
2．2．1 仿射變換矩陣的李代數(shù)
2．2．2 幾何性質(zhì)與約束
2．3 基于李代數(shù)表示的剛體變換矩陣插值算法
2．3．1 算法總體過程
2．3．2 計(jì)算物體剛體變換矩陣T
2．3．3 計(jì)算T的李代數(shù)表示
2．3．4 李代數(shù)空間的線性插值
2．3．5 計(jì)算插值后的物體剛體變換矩陣
2．4 實(shí)驗(yàn)結(jié)果
2．5 本章小結(jié)

第3章 基于稀疏和局部線性編碼的目標(biāo)二維跟蹤
3．1 方法概述
3．2 能量函數(shù)下的粒子濾波模型
3．2．1 狀態(tài)空間模型
3．2．2 外觀空間模型
3．2．3 模板的稀疏表示模型
3．3 基于稀疏和局部線性編碼的跟蹤模型
3．3．1 基于稀疏編碼的跟蹤模型
3．3．2 基于局部線性編碼的跟蹤模型
3．3．3 目標(biāo)模板更新
3．4 其他外觀表示模型
3．4．1 最小軟閾值平方外觀表示模型
3．4．2 自適應(yīng)結(jié)構(gòu)的局部稀疏外觀表示模型
3．5 實(shí)驗(yàn)結(jié)果
3．5．1 性能分析
3．5．2 Benchmark測試
3．5．3 討論
3．6 本章小結(jié)

第4章 基于全局優(yōu)化搜索的目標(biāo)三維跟蹤
4．1 方法概述
4．2 問題描述
4．3 基于全局優(yōu)化的對應(yīng)點(diǎn)搜索算法
4．3．1 能量函數(shù)
4．3．2 候選對應(yīng)點(diǎn)
4．3．3 顏色概率值模型
4．3．4 圖模型
4．3．5 討論
4．4 實(shí)驗(yàn)結(jié)果
4．4．1 實(shí)現(xiàn)細(xì)節(jié)
4．4．2 定量分析
4．4．3 定性分析
4．4．4 局限性
4．5 本章小結(jié)

第5章 基于裝配規(guī)則的物體裝配技術(shù)
5．1 方法概述
5．2 系統(tǒng)總體設(shè)計(jì)
5．3 基于裝配規(guī)則的在線推斷算法
5．3．1 數(shù)據(jù)庫的創(chuàng)建
5．3．2 在線推斷算法
5．3．3 活動部件識別算法
5．3．4 組件裝配算法
5．3．5 組件跟蹤算法
5．4．實(shí)驗(yàn)結(jié)果和討論
5．4．1 裝配指導(dǎo)
5．4．2 三維動畫和標(biāo)注的生成
5．4．3 局限性
5．5 本章小結(jié)

第6章 基于分層模型的人體行為識別
6．1 問題及方法概述
6．2 分層模型
6．3 分類特征
6．3．1 相對位置特征
6．3．2 傅里葉時(shí)間金字塔
6．4 實(shí)驗(yàn)結(jié)果
6．5 本章小結(jié)

第7章 基于向量空間的實(shí)時(shí)人體行為識別
7．1 問題及方法概述
7．2 時(shí)空特征
7．2．1 運(yùn)動特征
7．2．2 相對位置特征
7．2．3 特征聚類
7．3 加權(quán)算法
7．3．1 方差加權(quán)法
7．3．2 熵加權(quán)法
7．4 分類
7．5 實(shí)驗(yàn)結(jié)果
7．5．1 UCFKinect行為數(shù)據(jù)庫
7．5．2 MSRC-12手勢數(shù)據(jù)庫
7．6 本章小結(jié)

第8章 基于加權(quán)圖和全局最優(yōu)相似性匹配的人體行為識別
8．1 問題及方法概述
8．2 時(shí)空特征
8．3 加權(quán)圖的構(gòu)成
8．3．1 提取加權(quán)圖的頂點(diǎn)
8．3．2 計(jì)算加權(quán)圖邊的權(quán)重
8．4 基于序列匹配的分類
8．5 實(shí)驗(yàn)結(jié)果
8．5．1 微軟MSRC-12手勢數(shù)據(jù)庫
8．5．2 UCFKinect行為數(shù)據(jù)庫
8．6 本章小結(jié)
參考文獻(xiàn)