1 绪论 1
1.1 研究的背景与意义 1
1.2 研究内容与难点分析 2
1.2.1 研究内容 2
1.2.2 难点分析 3
1.3 本书的主要工作与创新 4
1.3.1 提出了基于纹理分析的运动人体分割方法 4
1.3.2 研究了基于子空间的步态识别方法 5
1.3.3 提出了基于稀疏表示的步态识别方法 5
1.3.4 提出了基于动态贝叶斯网络的步态识别方法 5
1.3.5 提出了人体连续行为分割与识别方法 5
1.4 本书的内容安排 5
2 步态及行为识别研究综述 7
2.1 步态识别及行为识别系统构成 7
2.1.1 数据采集 7
2.1.2 运动检测 8
2.1.3 特征提取及表达 8
2.1.4 特征识别 11
2.1.5 鲁棒性分析 12
2.2 步态及行为识别常用算法分析 12
2.2.1 步态识别主要算法分析 12
2.2.2 行为识别主要算法分析 13
2.3 步态及行为数据库 15
2.3.1 步态数据库 15
2.3.2 行为数据库 21
2.4 本章小结 25
3 基于纹理分析的运动人体分割方法 26
3.1 运动目标检测算法 26
3.1.1 光流法 26
3.1.2 帧间差分法 27
3.1.3 背景减除法 28
3.1.4 混合高斯模型算法 28
3.2 基于纹理分析的阴影消除算法 30
3.2.1 阴影的特征提取 31
3.2.2 融合颜色及纹理特征去除阴影 36
3.2.3 实验结果与分析 38
3.3 本章小结 39
4 基于子空间的步态识别方法 40
4.1 引言 40
4.2 基于核主成分分析法步态识别 42
4.2.1 计算步态特征图像 42
4.2.2 核主成分分析 43
4.2.3 SVM分类判别结果 45
4.3 基于核判别分析法步态识别 47
4.3.1 计算步态特征图像 47
4.3.2 核判别分析法 48
4.3.3 SVM分类判别结果 50
4.4 本章小结 51
5 基于稀疏表示的步态识别方法 52
5.1 稀疏表示 52
5.1.1 稀疏表示的理论基础 52
5.1.2 改进的稀疏分解算法 54
5.2 基于稀疏表示的步态识别算法 55
5.2.1 计算步态特征图像 55
5.2.2 步态字典的构建 57
5.2.3 基于隐马尔可夫模型及稀疏表示的步态识别算法 59
5.3 实验结果与分析 61
5.3.1 实验结果 61
5.3.2 实验分析 62
5.4 本章小结 62
6 基于动态贝叶斯网络的步态识别 63
6.1 引言 63
6.2 基于动静态信息融合及动态贝叶斯网络的步态识别 63
6.2.1 动态贝叶斯网络理论基础 63
6.2.2 步态的动静态信息融合动态贝叶斯模型（DSIF-DBN） 65
6.2.3 模型分析 66
6.2.4 模型推理与学习 67
6.2.5 模型识别 68
6.2.6 步态特征提取 69
6.3 基于双尺度动态贝叶斯网络及多信息融合的步态识别 70
6.3.1 整体信息及局部细节信息相融合的DBN模型 70
6.3.2 模型分析 72
6.3.3 模型推理与学习 72
6.3.4 模型特征提取 73
6.4 实验结果与分析 75
6.4.1 单一模型下步态识别结果 75
6.4.2 模型间的步态识别结果比较 76
6.5 模型鲁棒性分析 77
6.6 本章小结 78
7 人体连续行为分割与识别方法 79
7.1 引言 79
7.2 行为识别模型 80
7.3 模型特征提取 81
7.3.1 静态特征信息 81
7.3.2 动态特征信息 81
7.4 构建连续行为分类网络CACN 82
7.4.1 粗分割 83
7.4.2 采用Viterbi算法行为动态切分 84
7.5 实验结果与分析 85
7.5.1 DBN模型下行为识别结果 85
7.5.2 DBN模型鲁棒性分析 91
7.6 本章小结 92
8 总结与展望 93
8.1 总结 93
8.2 展望 94
参考文献 95
后记 101