| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 课题研究目的及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 模式识别概述 | 第12页 |
| 1.2.2 动物行为分析及智能检测现状 | 第12-15页 |
| 1.2.3 基于时空特征点的行为识别的国内外研究现状 | 第15-17页 |
| 1.3 本文主要内容及结构安排 | 第17-20页 |
| 1.3.1 本文主要内容 | 第17-18页 |
| 1.3.2 本文结构安排 | 第18-20页 |
| 第二章 基于时空兴趣点的猪的跛脚识别总体方案 | 第20-26页 |
| 2.1 猪视频的采集 | 第20页 |
| 2.2 总体方法概述 | 第20-25页 |
| 2.2.1 问题的分析 | 第20-21页 |
| 2.2.2 特征表示概述 | 第21-22页 |
| 2.2.3 局部描述子提取 | 第22-24页 |
| 2.2.4 特征量化 | 第24页 |
| 2.2.5 训练分类器与识别 | 第24-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 猪的局部特征提取 | 第26-44页 |
| 3.1 局部特征概述 | 第26页 |
| 3.2 基于Gabor滤波器的时空兴趣点检测 | 第26-30页 |
| 3.2.1 Gabor滤波器 | 第26-27页 |
| 3.2.2 时空兴趣点度量 | 第27-28页 |
| 3.2.3 非极大抑制 | 第28-30页 |
| 3.3 基于空间约束和时间约束的时空兴趣点检测 | 第30-37页 |
| 3.3.1 Harris角点检测 | 第32-33页 |
| 3.3.2 背景点抑制 | 第33-34页 |
| 3.3.3 局部时间约束 | 第34-37页 |
| 3.4 局部描述子 | 第37-43页 |
| 3.4.1 HOG特征计算 | 第38-40页 |
| 3.4.2 HOF特征计算 | 第40-41页 |
| 3.4.3 MBH特征计算 | 第41-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 猪的特征量化与识别 | 第44-59页 |
| 4.1 特征量化的概述 | 第44-45页 |
| 4.2 基于Kmeans聚类和硬投票量化的特征量化方法 | 第45-49页 |
| 4.2.1 基于Kmeans聚类的视觉字典生成方法 | 第45-47页 |
| 4.2.2 硬投票量化（Hard-Voting） | 第47-49页 |
| 4.3 基于高斯混合模型和软投票的特征量化方法 | 第49-54页 |
| 4.3.1 单高斯模型 | 第49-50页 |
| 4.3.2 高斯混合模型 | 第50-52页 |
| 4.3.3 软投票量化（Soft-Voting） | 第52-54页 |
| 4.4 支持向量机分类器设计 | 第54-58页 |
| 4.4.1 支持向量机 | 第54-55页 |
| 4.4.2 常用核函数选择与比较 | 第55页 |
| 4.4.3 分类器设计 | 第55-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第五章 实验结果与分析 | 第59-68页 |
| 5.1 实验数据 | 第59页 |
| 5.2 参数设置 | 第59-61页 |
| 5.2.1 局部特征提取参数设置 | 第59-60页 |
| 5.2.2 局部描述子计算参数设置 | 第60-61页 |
| 5.2.3 特征量化参数设置 | 第61页 |
| 5.3 时空兴趣点检测算法实验结果与分析 | 第61-64页 |
| 5.4 特征量化算法实验结果与分析 | 第64-67页 |
| 5.6 本章小结 | 第67-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 6.1 总结 | 第68-69页 |
| 6.2 展望 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-75页 |
| 攻读硕士学位期间完成的论文 | 第75页 |
