個(gè)體行為的機(jī)器識(shí)別與決策協(xié)同

目 錄
第1 章 緒論
1.1 個(gè)體行為的定義及特征
1.1.1 行為的表現(xiàn)形式
1.1.2 行為的時(shí)空特性
1.1.3 行為的層次結(jié)構(gòu)
1.2 個(gè)體行為的影響因素
1.2.1 環(huán)境因素
1.2.2 習(xí)慣因素
1.2.3 生理狀態(tài)
1.3 人體行為的分類
1.3.1 肢體行為分類
1.3.2 情緒狀態(tài)分類
1.4 行為識(shí)別的研究意義與進(jìn)展
1.4.1 行為識(shí)別的應(yīng)用領(lǐng)域
1.4.2 行為識(shí)別的科學(xué)價(jià)值
1.4.3 行為識(shí)別的研究進(jìn)展
參考文獻(xiàn)
第2 章 個(gè)體行為的獲取與監(jiān)測(cè)
2.1 視覺獲取方法
2.1.1 有標(biāo)記視覺獲取
2.1.2 無標(biāo)記視覺獲取
2.2 可穿戴傳感器獲取
2.2.1 生物傳感器獲取
2.2.2 慣性傳感器獲取
2.3 非穿戴監(jiān)測(cè)方法
2.3.1 聲音信號(hào)監(jiān)測(cè)
2.3.2 電容場(chǎng)信號(hào)監(jiān)測(cè)
2.3.3 電子標(biāo)簽監(jiān)測(cè)
2.4 行為獲取系統(tǒng)框架
參考文獻(xiàn)
第3 章 行為識(shí)別的理論依據(jù)
3.1 行為數(shù)據(jù)的處理
3.1.1 數(shù)據(jù)濾波
3.1.2 數(shù)據(jù)分割
3.2 行為數(shù)據(jù)的特征選擇及提取
3.2.1 主分量分析
3.2.2 獨(dú)立分量選擇
3.2.3 核函數(shù)的方法
3.2.4 特征選擇算法
3.3 行為的分類工具
3.3.2 決策樹
3.3.3 卷積神經(jīng)網(wǎng)絡(luò)
3.3.4 支持向量機(jī)
3.4 識(shí)別過程中的信息融合
3.4.1 多數(shù)投票法
3.4.2 貝葉斯理論的分類器融合
3.4.3 基于證據(jù)理論的分類器融合
參考文獻(xiàn)
第4 章 行為識(shí)別系統(tǒng)的系統(tǒng)平臺(tái)
4.1 行為識(shí)別系統(tǒng)的結(jié)構(gòu)
4.2 行為識(shí)別系統(tǒng)中的任務(wù)分配
4.2.1 視頻讀取與預(yù)處理的實(shí)現(xiàn)
4.2.2 行為識(shí)別系統(tǒng)訓(xùn)練過程的實(shí)現(xiàn)
4.2.3 行為識(shí)別系統(tǒng)特征可視化的實(shí)現(xiàn)
4.2.4 行為識(shí)別系統(tǒng)識(shí)別過程的實(shí)現(xiàn)
4.3 行為識(shí)別的軟件環(huán)境
4.3.1 計(jì)算機(jī)視覺庫(kù)OpenCV
4.3.2 跨平臺(tái)用戶界面框架QT
4.3.3 行為識(shí)別系統(tǒng)軟件框架
4.4 行為識(shí)別系統(tǒng)的系統(tǒng)平臺(tái)
4.4.1 微軟Azure machine learning 平臺(tái)
4.4.2 谷歌TensorFlow 平臺(tái)
參考文獻(xiàn)
第5 章 語言識(shí)別及情感分析
5.1 語言中的文字識(shí)別
5.1.1 語音信號(hào)預(yù)處理
5.1.2 語音識(shí)別的特征提取
5.1.3 文字識(shí)別模型及系統(tǒng)
5.2 基于語言文本的情感識(shí)別
5.2.1 文本數(shù)據(jù)信息抽取
5.2.2 文本內(nèi)容的分類與聚類
5.3 基于語音信號(hào)的情感識(shí)別
5.3.1 基于改進(jìn)KNN 算法的語音情感識(shí)別
5.3.2 基于微軟Azure 平臺(tái)的語音情感識(shí)別
參考文獻(xiàn)
第6 章 肢體動(dòng)作捕捉及行為識(shí)別
6.1 手勢(shì)捕捉及識(shí)別
6.1.1 手勢(shì)捕捉的特點(diǎn)
6.1.2 基于視覺的手勢(shì)識(shí)別
6.1.3 基于慣性傳感的手勢(shì)捕捉
6.2 肢體動(dòng)作捕捉
6.2.1 基于視覺的肢體動(dòng)作捕捉
6.2.2 基于慣性傳感的肢體動(dòng)作捕捉
6.3 肢體行為的行為識(shí)別
6.3.1 手語識(shí)別
6.3.2 肢體動(dòng)作行為識(shí)別
參考文獻(xiàn)
第7 章 面部特征識(shí)別與表情理解
7.1 面部的精確定位
7.1.1 膚色混合高斯模型
7.1.2 光線補(bǔ)償
7.1.3 膚色區(qū)域檢測(cè)
7.1.4 肌肉紋理
7.1.5 嘴唇定位
7.1.6 眉毛檢測(cè)
7.2 面部圖像濾波及歸一化
7.2.1 面部圖像濾波
7.2.2 面部圖像歸一化
7.3 面部表情的疲勞狀態(tài)檢測(cè)
7.3.1 疲勞狀態(tài)面部特征
7.3.2 疲勞程度判斷
7.3.3 基于粗糙集理論的疲勞狀態(tài)判斷
7.4 面部表情的情感理解
7.4.1 面部情感類別及標(biāo)準(zhǔn)庫(kù)
7.4.2 融合LBP 及LPQ 特征的面部情感識(shí)別
參考文獻(xiàn)
第8 章 基于個(gè)體行為理解的人機(jī)協(xié)同系統(tǒng)
8.1 人機(jī)協(xié)同的基本概念
8.1.1 人機(jī)協(xié)同的定義
8.1.2 人機(jī)協(xié)同的問題
8.1.3 研究現(xiàn)狀與發(fā)展趨勢(shì)
8.2 個(gè)體行為的習(xí)慣建模
8.2.1 行為習(xí)慣認(rèn)知及意義
8.2.2 個(gè)體行為習(xí)慣挖掘的相關(guān)工作
8.2.3 個(gè)體行為習(xí)慣模式
8.2.4 基于個(gè)體行為習(xí)慣的人類動(dòng)力學(xué)建模
8.3 人機(jī)協(xié)同決策與推理機(jī)制
8.3.1 推理的基礎(chǔ)知識(shí)
8.3.2 人機(jī)推理對(duì)比
8.3.3 人機(jī)協(xié)同系統(tǒng)的結(jié)構(gòu)特征與推理機(jī)制
8.4 人本控制系統(tǒng)架構(gòu)
8.5 人機(jī)協(xié)同系統(tǒng)案例
8.5.1 “沃森”簡(jiǎn)介
8.5.2 “沃森”的工作機(jī)制
8.5.3 沃森醫(yī)生—“腫瘤專家顧問”專家系統(tǒng)
8.5.4 沃森醫(yī)生與人類醫(yī)生共同協(xié)作
參考文獻(xiàn)