第1章　引言
　1.1　應用背景
　　1.1.1　視頻標注與檢索
　　1.1.2　智能視頻監(jiān)控
　　1.1.3　人機交互
　1.2　研究的難點
　1.3　研究內容和結構安排
　　1.3.1　研究內容及工作進展
　　1.3.2　結構安排
第2章　人體動作識別的相關綜述
　2.1　視頻圖像表示
　　2.1.1　全局表示
　　2.1.2　局部表示
　2.2　人體動作建模與分類
　　2.2.1　維數約簡 第1章　引言
　1.1　應用背景
　　1.1.1　視頻標注與檢索
　　1.1.2　智能視頻監(jiān)控
　　1.1.3　人機交互
　1.2　研究的難點
　1.3　研究內容和結構安排
　　1.3.1　研究內容及工作進展
　　1.3.2　結構安排
第2章　人體動作識別的相關綜述
　2.1　視頻圖像表示
　　2.1.1　全局表示
　　2.1.2　局部表示
　2.2　人體動作建模與分類
　　2.2.1　維數約簡
　　2.2.2　直接分類
　　2.2.3　狀態(tài)空間模型方法
　2.3　方法的特點
　2.4　本章小結
第3章　雜亂背景和攝像機移動下的時空興趣點檢測方法
　3.1　引言
　3.2　非線性各向異性擴散濾波器及分析
　　3.2.1　Perona—Malik擴散模型
　　3.2.2　非線性各向異性擴散濾波
　3.3　雜亂背景和攝像機移動下的時空興趣點檢測
　　3.3.1　基于非線性各向異性擴散濾波的時空興趣點檢測算法
　　3.3.2　計算方法
　3.4　實驗與分析
　　3.4.1　實驗數據集和實驗設置
　　3.4.2　攝像機輕微晃動下的時空興趣點檢測方法比較
　　3.4.3　雜亂背景和攝像機快速運動下的時空興趣點檢測方法比較
　　3.4.4　計算復雜度分析
　3.5　本章小結
第4章　改進的視頻抖動自適應的時空興趣點檢測方法
　4.1　引言
　4.2　視頻抖動檢測算法
　　4.2.1　視頻畫面抖動檢測算法
　　4.2.2　金字塔Lucas—Kanade稀疏光流特征
　　4.2.3　稀疏光流的前一后向誤差估計
　　4.2.4　基于光流運動熵的視頻畫面抖動檢測算法
　4.3　基于視頻抖動檢測算法的混合時空興趣點檢測
　4.4　實驗與分析
　　4.4.1　實驗數據集和實驗設置
　　4.4.2　視頻抖動檢測驗證
　　4.4.3　靜態(tài)背景下的時空興趣點檢測方法比較
　　4.4.4　攝像機輕微晃動下的時空興趣點檢測方法比較
　　4.4.5　雜亂背景和攝像機快速運動下的時空興趣點檢測方法比較
　4.5　本章小結
第5章　基于稀疏編碼的時空金字塔匹配的人體動作識別
　　5.1　引言
　　5.2　稀疏編碼
　　　5.2.1　數學描述
　　　5.2.2　稀疏編碼算法
　5.3　基于BoF的人體動作識別框架
　5.4　基于稀疏編碼的人體動作識別方法
　　5.4.1　特征檢測和表示
　　5.4.2　基于稀疏編碼的碼書學習
　　5.4.3　基于max pooling的人體動作描述子
　5.5　基于稀疏編碼的時空金字塔匹配
　　5.5.1　時空金字塔匹配
　　5.5.2　基于max pooIing的時空金字塔匹配
　5.6　實驗與分析
　　5.6.1　實驗設置
　　5.6.2　KTH數據集上的實驗
　　5.6.3　YouTube數據集上的實驗
　5.7　本章小結
第6章　視角無關的人體動作識別的研究
　6.1　引言
　6.2　視角無關的人體動作識別的研究現狀
　6.3　線性動態(tài)系統
　　6.3.1　模型參數估計
　　6.3.2　距離度量
　6.4　基于線性動態(tài)系統的視角無關的人體動作識別
　　6.4.1　基于LDSs模型參數的局部描述子
　　6.4.2　模型參數空間中的碼書學習
　　6.4.3　動作描述子計算
　6.5　實驗與分析
　　6.5.1　數據集與實驗設置
　　6.5.2　單／多目識別
　　6.5.3　交叉視角的識別
　　6.5.4　基于BoF的視角無關的動作識別方法比較
　6.6　本章小結
第7章　復雜場景下魯棒的人體動作分類方法
　7.1　引言
　7.2　超完備基的圖像稀疏表示
　7.3　基于稀疏表示的人體動作分類算法
　　7.3.1　人體動作的稀疏表示
　　7.3.2　基于l1最小化的稀疏表示求解方法
　　7.3.3　l1最小化優(yōu)化算法
　　7.3.4　分類方法
　7.4　在噪聲、干擾、遮擋情況下的人體動作分類算法
　7.5　實驗與分析
　　7.5.1　基于l1與l2最小化算法的比較
　　7.5.2　分類方法SR與SVM、K—NN的比較
　　7.5.3　魯棒性測試
　7.6　本章小結
參考文獻
名詞索引