●第1章緒論001
1.1動作分析的基本概念002
1.1.1特征提取004
1.1.2估計器005
1.1.3分類器005
1.1.4區域搜索005
1.2動作分析的發展歷程006
1.3動作分析的應用015
參考文獻017
第2章動作分析基礎知識027
2.1局部特征點028
2.1.1特征點檢測028
2.1.2特征點跟蹤030
2.1.3特征描述子031
2.1.4詞袋模型033
2.2運動檢測034
2.2.1幀間差分035
2.2.2背景減除036
2.2.3光流場038
2.3成分分析與判別函數040
2.3.1主成分分析040
2.3.2線性判別分析042
2.3.3多重判別分析043
2.4優選似然估計043
2.4.1基本原理044
2.4正態分布下的參數估計045
2.5最近鄰分類046
2.5.1基本原理046
2.5.2距離度量函數046
2.5.3近鄰個數047
2.5.4分類規則047
2.6支持向量機047
2.6.1很優分類平面047
2.6.2線性不可分情況050
2.6.3非線性支持向量機050
2.7隱馬爾可夫模型052
2.7.1隱馬爾可夫模型的定義052
2.7.2隱馬爾可夫模型的基本假設053
2.7.3隱馬爾可夫模型的基本問題053
2.8神經網絡054
2.8.模型054
2.8.2神經網絡模型055
2.8.3反向傳播算法056
2.9聚類058
2.9.1基本原理058
2.9.2Kmeans聚類058
2.9.3層次聚類059
參考文獻060
第3章動作分析經典方法065
3.1動作表示066
3.1.1時空特征066
3.1.2語義特征071
3.1.3深度特征071
3.2姿態估計077
3.2.1自底向上基於表觀的估計方法078
3.2.2自頂向下基於模型的估計方法080
3.2.3自底向上和自頂向下相結合的估計方法083
3.3動作識別084
3.3.1單層動作識別方法084
3.3.2層級動作識別方法086
3.4動作定位089
3.4.1時域動作定位089
3.4.2時空動作定位091
3.5常用數據庫092
參考文獻108
第4章學習非線性流形空間的人體姿態估計133
4.1引言134
4.2流形學習方法135
4.3人體運動的非線性流形空間136
4.4流形空間到原始姿態空間映射138
4.4.1映射函數建模139
4.4.2流形空間概率分布建模139
4.4.3映射函數參數學習140
4.5實驗140
4.5.1三維人手姿態估計141
4.5.2三維人體姿態估計144
4.6小結147
參考文獻147
第5章利用語義知識反饋的人體姿態估計149
5.1引言150
5.2姿態估計多義性151
5.3語義知識建模152
5.3.1局部語義知識152
5.3.2全局語義知識154
5.4語義知識反饋156
5.4.1局部語義知識反饋156
5.4.2全局語義知識反饋156
5.5語義知識反饋用於姿態估計157
5.5.1基於Hausdorff距離的動作識別159
5.5.2基於局部語義反饋和全局語義反饋的姿態估計160
5.6實驗161
5.6.1實驗數據161
5.6.2結果分析與比較162
5.7小結165
參考文獻165
第6章采用增量判別相關分析的動作識別167
6.1引言168
6.2判別典型相關分析169
6.3增量判別典型相關分析170
6.3.1更新總典型相關矩陣171
6.3.2更新類間典型相關矩陣172
6.3.3更新判別矩陣172
6.4半監督增量判別典型相關分析173
6.5實驗174
6.5.1Weizmann數據庫實驗174
6.5.2KTH數據庫實驗177
6.5.3魯棒性驗證180
6.6小結182
參考文獻182
第7章融合多視覺對像的動作識別185
7.1引言186
7.2動作上下文信息187
7.3視覺對像特征表示188
7.3.1時空興趣點特征188
7.3.2類相關語義特征193
7.4視覺對像關聯建模194
7.4.1含有隱變量的結構支持向量機195
7.4.2關聯模型構建196
7.4.3關聯模型訓練198
7.4.4關聯模型預測199
7.5實驗199
7.5.1實驗數據199
7.5.2實驗結果及分析200
7.6小結206
參考文獻206
第8章聯合原子動作建模的動作識別211
8.1引言212
8.2原子動作213
8.3聯合原子動作建模215
8.3.1聯合模型構建215
8.3.2聯合模型訓練217
8.3.3聯合模型預測219
8.4原子動作自動標注219
8.5實驗222
8.5.1實驗數據222
8.5.2動作識別結果分析223
8.5.3半監督學習方法評估226
8.5.4視頻描述結果分析227
8.6小結230
參考文獻231
第9章跨域知識遷移的動作識別與時空定位235
9.1引言236
9.2弱監督時空動作定位237
9.3圖像到視頻特征遷移238
9.3.1圖像和視頻特征表示238
9.3.2圖像到視頻特征變換240
9.4時空子區域候選集合241
9.4.1提取興趣圖像塊242
9.4.2篩選興趣圖像塊243
9.4.3生成時空子區域候選集合244
9.5含有隱變量的遷移支持向量機246
9.5.1模型構建246
9.5.2模型學習247
9.5.3模型預測249
9.6實驗249
9.6.1實驗數據249
9.6.2實驗結果與分析251
9.7小結255
參考文獻256
第10章結構化學習下的視角無關動作識別261
10.1引言262
10.2視角無關動作識別263
10.3含有隱變量的核化結構支持向量機264
10.3.1模型構建264
10.3.2模型學習265
10.3.3模型預測266
10.4融合多層特征核函數267
10.4.1底層視覺特征核函數267
10.4.2中層相關特征核函數268
10.4.3高層類別標簽核函數269
10.5實驗269
10.5.1實驗數據269
10.5.2實驗設計269
10.5.3實驗結果與分析271
10.6小結275
參考文獻275
第11章異構判別分析下的跨視角動作識別279
11.1引言280
11.2跨視角動作識別281
11.3異構線性判別分析283
11.3.1總散度矩陣284
11.3.2類間散度矩陣285
11.3.3分布差異約束286
11.3.4局部保持約束286
11.3.5優化求解287
11.4異構非線性核判別分析288
11.4.1總散度矩陣289
11.4.2類間散度矩陣289
11.4.3分布差異約束290
11.4.4局部保持約束290
11.4.5優化求解290
11.5實驗290
11.5.1實驗數據291
11.5.2實驗設計291
11.5.3實驗結果與分析293
11.6小結299
參考文獻300

本書圍繞視頻中人的動作分析與識別問題，論述了動作分析的基本概念、發展歷程以及應用，並介紹了動作分析的相關基礎知識、動作分析的典型方法和技術、以及動作分析的常用數據庫。然後從動作分析中的不同研究方向出發，介紹了三維人體姿態估計的多種經典方法、動作識別與定位的各類經典方法。最後面向多視角動作識別問題，介紹了視角無關動作識別、跨視角動作識別的經典方法。 本書可供從事計算機視覺、模式分類、人工智能以及相關領域研究和應用的技術研發人員參考，也可作為相關專業的高年級本科生和研究生的教材。