●第1章 緒論
1.1 人體的行為識別概述
1.2 本書的研究內容
第2章 基於深度學習的人體姿態估計
2.1 概述
2.1.1 人體模型
2.1.2 基礎知識
2.2 單人三維人體姿態估計
2.2.1 基於RGB圖像的單人三維人體姿態估計
2.2.2 基於視頻數據的單人三維人體姿態估計
2.3 多人三維人體姿態估計
2.3.1 基於RGB圖像的多人三維姿態估計
2.3.2 基於視頻的多人三維姿態估計
2.4 正則化
2.5 數據集和評估標準
2.5.1 評估數據集
2.5.2 評價指標
2.5.3 實驗結果彙總
2.6 本章小結
第3章 光流算法與視頻跟蹤
3.1 概述
3.1.1 傳統光流估計算法
3.1.2 有監督光流估計算法
3.1.3 無監督光流估計算法
3.1.4 光流估計算法的不足
3.2 跟蹤算法研究現狀及挑戰
3.2.1 研究現狀
3.2.2 技術挑戰
3.2.3 主流框架
第4章 基於深度學習的行為識別
4.1 概述
4.2 行為分類
4.2.1 基於3D卷積神經網絡的行為分類方法
4.2.2 基於時空雙通道的行為分類方法
4.2.3 基於循環神經網絡的行為分類方法
4.2.4 基於人體骨架序列的行為分類方法
4.3 行為檢測
4.3.1 時序行為檢測
4.3.2 時空行為檢測
4.4 常用行為數據集
4.4.1 剪輯數據集
4.4.2 未剪輯數據集
4.5 本章小結
第5章 基於結構關繫信息的三維膠囊手部姿態估計網絡
5.1 概述
5.2 相關工作
5.2.1 點雲學習
5.2.2 手部姿態估計
5.3 端到端的手部姿態估計網絡
5.3.1 手部點雲預處理
5.3.2 膠囊與動態路由
5.3.3 網絡架構
5.4 實驗
5.4.1 數據集與環境配置
5.4.2 實驗結果
5.4.3 消融實驗
5.4.4 運行時間與網絡大小
5.5 本章小結
第6章 基於圖卷積和混合密度網絡的單目三維人體姿態估計
6.1 概述
6.2 相關T作
6.2.1 圖卷積網絡
6.2.2 三維人體姿態估計
6.3 方法
6.3.1 模型結構
6.3.2 局部連接網絡
6.3.3 混合密度網絡與優化
6.4 實驗
6.4.1 訓練細節
6.4.2 數據集
6.4.3 消融實驗
6.4.4 Human3.6M數據集的結果
6.5 本章小結
第7章 基於深度學習的單目三維人體姿態估計.多視角姿態生成器
7.1 概述
7.2 研究框架
7.2.1 多視角姿態生成器
7.2.2 二維人體姿態數據增強
7.2.3 二維到三維姿態回歸網絡
7.3 實驗
7.3.1 實驗細節說明
7.3.2 消融實驗
7.3.3 與近期新技術的比較
7.3.4 定性結果
7.4 本章小結
第8章 無監督的光流估計算法設計與實現
8.1 概述
8.2 設計實現光流估計網絡
8.3 噪聲處理
8.3.1 非局部濾波器
8.3.2 結構設計
8.4 損失函數設置
8.4.1 網絡模型搭建
8.4.2 網絡訓練
8.5 精度對比與分析
8.6 本章小結
第9章 遮擋圖提取算法設計與實現
9.1 概述
9.2 設計遮擋提取方法
9.2.1 網絡結構設計
9.2.2 網絡訓練
9.3 結果影響分析
9.4 本章小結
第10章 基於空間正則化相關濾波的分塊視頻跟蹤
10.1 概述
10.1.1 相關濾波跟蹤器的綜述
10.1.2 循環矩陣
10.1.3 高速核相關濾波跟蹤
10.2 帶空間約束的相關濾波的跟蹤算法
10.2.1 概述
10.2.2 帶空間約束的相關濾波的跟蹤算法實現細節
10.3 基於相關濾波的分塊跟蹤算法
10.3.1 軟分類
10.3.2 基於峰值的分塊
10.3.3 模型框架
10.4 實驗部分
10.4.1 實驗設置
10.4.2 對比實驗
10.4.3 定性比較
10.5 本章小結
第11章 基於自注意力機制的動作識別
11.1 概述
11.2 3D動作識別算法
11.3 基於自注意力機制的動作識別算法
11.3.1 時空特征提取
11.3.2 通道特征學習
11.3.3 時序特征學習
11.3.4 時空特征融合
11.4 實驗結果及分析
11.4.1 數據集
11.4.2 參數設置
11.4.3 Kinetic8上的實驗結果
11.4.4 UCF-101和HMDB-51上的實驗結果
11.4.5 動作識別可視化
11.5 本章小結
第12章 基於高質量行為管道的實時時空定位
12.1 概述
12.1.1 動作定位算法流程
12.1.2 動作管道面臨的挑戰
12.2 網絡介紹
12.2.1 整體結構
12.2.2 空間目標檢測
12.2.3 在線的動作管道構建方法
12.2.4 分數重加權
12.2.5 構造動作管道
12.3 實驗
12.3.1 實驗設置
12.3.2 消融實驗
12.3.3 超參數實驗
12.3.4 動作定位平均定位精度
12.4 本章小結
第13章 基於運動表達的實時動作時空定位
13.1 概述
13.2 基於運動信息學習的動作定位算法
13.2.1 光流提取子網絡
13.2.

本書首先對近年來基於深度學習的姿態估計和行為識別方法相關的學術文獻進行了全面梳理及分析，在此基礎上對相關研究進行綜述性介紹。然後，針對人體姿態估計方法。具體介紹了3種基於深度學習的姿態估計方法；針對行為識別相關的技術，介紹了視頻跟蹤中光流估計、遮擋圖提取及分塊跟蹤的方法。最後，對基於深度學習的行為識別中的動作識別和時空定位方法進行介紹。本書可供從事計算機視覺方向研究的師生、研究人員和工程技術人員學習和參考。

張德軍,吳亦奇,徐戰亞 著