人體動作識別是計算機視覺以及相關領域的重要研究內容，旨在識別出具有高層語義的人體動作。客觀環境的復雜性以及運動的多樣性使基于視覺的人體姿態估計和動作識別極具挑戰性，因此研究人體動作識別方法具有十分重要的理論意義和應用價值。本書在總結分析人體動作識別研究現狀的基礎上，從單人動作和群組動作兩個層面研究人體動作識別技術，即人體2D姿態估計、人體3D姿態估計、單人動作識別，以及群體動作識別。本書結構合理，內容全面，既有嚴格的理論基礎，又有實際的應用。。
李侃，教授，博士生導師，副所長。國家重點研發計劃評審專家、國家863項目評審專家，北京市自然科學基金/重點基金評審專家、博士點基金/博士后基金評審專家，國際期刊NLPR主編，以及其它期刊的編委。在澳大利亞、加拿大、中國香港等國家、地區任職或學術研究。目前主要從事機器學習、模式識別及大數據分析方面的研究。主持了國家重點研發專項課題、國家973課題、863重大和和國家自然科學基金等多項國家級和部級項目，獲得了多項國防科技進步獎和校科技成果一等獎等科研獎勵。在TKDE等國內外期刊、IJCAI、ACM MM等學術會議上發表SCI/EI檢索論文近百篇，發明專利20余項。出版了教育部和北京市精品教材、獲得了全國高校人工智能與大數據教學創新獎、T-more優秀教師獎、迪文優秀教師獎、教學成果獎一等獎等教學獎勵。
第1章 緒論 001
1.1 研究目的和意義 001
1.2 國內外研究現狀 005
1.2.1 人體姿態估計 005
1.2.2 基于視頻的人體動作識別 011
1.2.3 基于骨架序列的人體動作識別 014
1.2.4 基于互動關系的視覺人體動作識別 015
1.2.5 視頻群體動作識別 027
1.3 研究內容 032
1.4 本書結構安排 034
第2章 基于時序一致性探索的人體2D姿態估計 036
2.1 引言 036
2.2 相關工作 038
2.2.1 基于深度學習的視頻人體2D姿態估計 038
2.2.2 卷積長短時記憶網絡和可變形卷積 038
2.3 問題定義 039
2.4 圖像人體2D姿態估計網絡 040
2.5 視頻時序一致性探索 041
2.5.1 變形操作 042
2.5.2 聚合操作 043
2.5.3 雙向時序一致性探索 043
2.5.4 多尺度時序一致性探索 044
2.6 視頻人體2D姿態估計網絡 044
2.7 實驗結果 046
2.7.1 實驗設置 046
2.7.2 性能比較 048
2.7.3 模型控制變量分析與實驗結果 051
2.8 本章小結 055
第3章 多視角幾何驅動的自監督人體3D姿態估計 057
3.1 引言 057
3.2 相關工作 059
3.2.1 基于深度學習的單目人體3D姿態估計 060
3.2.2 弱/自監督單目人體3D姿態估計 060
3.3 自監督人體3D姿態估計方法 061
3.3.1 雙分支自監督訓練網絡結構 061
3.3.2 損失函數 062
3.3.3 訓練 064
3.4 實驗結果 065
3.4.1 實驗設置 065
3.4.2 模型控制變量分析與實驗結果 066
3.4.3 性能比較 070
3.5 本章小結 071
第4章 基于人體形狀與相機視角一致分解的人體3D姿態估計 072
4.1 引言 072
4.2 相關工作 074
4.2.1 基于字典學習的單目人體3D姿態估計方法 074
4.2.2 運動恢復非剛體結構 075
4.3 問題定義 075
4.4 一致分解網絡 076
4.5 層次化字典學習 077
4.6 模型訓練 079
4.7 實驗結果 079
4.7.1 實驗設置 079
4.7.2 模型控制變量分析與實驗結果 080
4.7.3 性能比較 083
4.8 本章小結 084
第5章 基于多時空特征的人體動作識別 086
5.1 引言 086
5.2 相關工作 088
5.2.1 基于表觀的時空表示學習 088
5.2.2 基于骨架序列的時空表示學習 089
5.3 多時空特征人體動作識別方法概述 089
5.4 多層級表觀特征聚合 090
5.4.1 局部演化描述符提取 090
5.4.2 局部演化描述符編碼 092
5.4.3 深度監督的多層級特征聚合 092
5.5 時空圖卷積網絡 093
5.5.1 時空圖卷積 094
5.5.2 網絡細節 095
5.6 實驗結果 096
5.6.1 實驗設置 096
5.6.2 模型控制變量分析與實驗結果 097
5.6.3 性能比較 099
5.7 本章小結 100
第6章 基于扁平式互動關系分析的多人動作識別 101
6.1 引言 101
6.2 相關工作 109
6.3 特征表征 111
6.3.1 肢體角度描述符特征 113
6.3.2 空間布局特征 114
6.3.3 基于融合受限玻爾茲曼機的特征融合 116
6.4 線索互動關系模型 126
6.5 扁平式動作識別方法 127
6.6 局部線索與局部識別 129
6.7 基于目標子空間度量的動作相關性分析 130
6.8 全局線索整合與動作識別 131
6.8.1 全局-局部線索整合算法 131
6.8.2 改進全局-局部線索整合算法 132
6.9 實驗結果與分析 136
6.9.1 數據集及實驗設置 136
6.9.2 算法結果與分析 138
6.9.3 與現有方法的對比 146
6.10 本章小結 149
第7章 基于層級式互動關系分析的群組動作識別 150
7.1 引言 150
7.2 相關工作 152
7.3 混合群組動作模型 154
7.4 混合群組動作模型的概率分布 157
7.5 基于混合群組動作模型的動作識別算法 161
7.6 實驗與算法分析 162
7.6.1 數據集和實驗設置 162
7.6.2 算法結果和分析 163
7.6.3 與現有方法的對比 168
7.7 本章小結 170
第8章 融合動作相關性的群體動作識別 171
8.1 引言 171
8.2 相關工作 172
8.3 問題定義 173
8.4 動作表示 173
8.4.1 多尺度特征 174
8.4.2 動作表示提取 175
8.5 動作關系推理 177
8.5.1 動作相關性 177
8.5.2 關系推理 179
8.5.3 算法描述 180
8.6 時空表示 181
8.7 模型訓練 184
8.8 實驗分析 185
8.8.1 數據集與評價指標 185
8.8.2 實驗設置 187
8.8.3 實驗結果分析 187
8.9 本章小結 193
第9章 結論與展望 194
新書資訊