1 绪论

1.1 研究的背景与意义

1.2 研究内容与难点分析

1.2.1 研究内容

1.2.2 难点分析

1.3 本书的主要工作与创新

1.3.1 提出了基于纹理分析的运动人体分割方法

1.3.2 研究了基于子空间的步态识别方法

1.3.3 提出了基于稀疏表示的步态识别方法

1.3.4 提出了基于动态贝叶斯网络的步态识别方法

1.3.5 提出了人体连续行为分割与识别方法

1.4 本书的内容安排

2 步态及行为识别研究综述

2.1 步态识别及行为识别系统构成

2.1.1 数据采集

2.1.2 运动检测

2.1.3 特征提取及表达

2.1.4 特征识别

2.1.5 鲁棒性分析

2.2 步态及行为识别常用算法分析

2.2.1 步态识别主要算法分析

2.2.2 行为识别主要算法分析

2.3 步态及行为数据库

2.3.1 步态数据库

2.3.2 行为数据库

2.4 本章小结

3 基于纹理分析的运动人体分割方法

3.1 运动目标检测算法

3.1.1 光流法

3.1.2 帧间差分法

3.1.3 背景减除法

3.1.4 混合高斯模型算法

3.2 基于纹理分析的阴影消除算法

3.2.1 阴影的特征提取

3.2.2 融合颜色及纹理特征去除阴影

3.2.3 实验结果与分析

3.3 本章小结

4 基于子空间的步态识别方法

4.1 引言

4.2 基于核主成分分析法步态识别

4.2.1 计算步态特征图像

4.2.2 核主成分分析

4.2.3 SVM分类判别结果

4.3 基于核判别分析法步态识别

4.3.1 计算步态特征图像

4.3.2 核判别分析法

4.3.3 SVM分类判别结果

4.4 本章小结

5 基于稀疏表示的步态识别方法

5.1 稀疏表示

5.1.1 稀疏表示的理论基础

5.1.2 改进的稀疏分解算法

5.2 基于稀疏表示的步态识别算法

5.2.1 计算步态特征图像

5.2.2 步态字典的构建

5.2.3 基于隐马尔可夫模型及稀疏表示的步态识别算法

5.3 实验结果与分析

5.3.1 实验结果

5.3.2 实验分析

5.4 本章小结

6 基于动态贝叶斯网络的步态识别

6.1 引言

6.2 基于动静态信息融合及动态贝叶斯网络的步态识别

6.2.1 动态贝叶斯网络理论基础

6.2.2 步态的动静态信息融合动态贝叶斯模型（DSIF-DBN）

6.2.3 模型分析

6.2.4 模型推理与学习

6.2.5 模型识别

6.2.6 步态特征提取

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

6.3.1 整体信息及局部细节信息相融合的DBN模型

6.3.2 模型分析

6.3.3 模型推理与学习

6.3.4 模型特征提取

6.4 实验结果与分析

6.4.1 单一模型下步态识别结果

6.4.2 模型间的步态识别结果比较

6.5 模型鲁棒性分析

6.6 本章小结

7 人体连续行为分割与识别方法

7.1 引言

7.2 行为识别模型

7.3 模型特征提取

7.3.1 静态特征信息

7.3.2 动态特征信息

7.4 构建连续行为分类网络CACN

7.4.1 粗分割

7.4.2 采用Viterbi算法行为动态切分

7.5 实验结果与分析

7.5.1 DBN模型下行为识别结果

7.5.2 DBN模型鲁棒性分析

7.6 本章小结

8 总结与展望

8.1 总结

8.2 展望

参考文献

后记