| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 基于传统方法的动作时空检测 | 第12-14页 |
| 1.2.2 基于深度学习的动作时空检测 | 第14-15页 |
| 1.3 论文研究内容与主要工作 | 第15-17页 |
| 1.3.1 研究内容 | 第15-16页 |
| 1.3.2 主要工作 | 第16-17页 |
| 1.4 论文组织结构 | 第17-19页 |
| 第二章 视频的动作时空检测技术概述 | 第19-37页 |
| 2.1 视频的动作时空检测技术流程 | 第19页 |
| 2.2 动作特征识别技术 | 第19-26页 |
| 2.2.1 动作特征提取 | 第20-23页 |
| 2.2.2 动作特征分类 | 第23-26页 |
| 2.3 动作空域检测技术 | 第26-32页 |
| 2.3.1 目标检测算法 | 第26-30页 |
| 2.3.2 候选区域获取方法 | 第30-32页 |
| 2.4 动作时域检测技术 | 第32页 |
| 2.5 基于深度学习的动作时空检测算法 | 第32-36页 |
| 2.5.1 深度学习简介 | 第32-34页 |
| 2.5.2 基于双流的模型框架 | 第34-35页 |
| 2.5.3 基于R-CNN的动作时空检测算法 | 第35页 |
| 2.5.4 基于Faster R-CNN的动作时空检测算法 | 第35-36页 |
| 2.6 本章小结 | 第36-37页 |
| 第三章 基于长时相关性的动作时域检测算法 | 第37-51页 |
| 3.1 动作时域检测算法 | 第37页 |
| 3.2 基于维特比的动作时域检测算法 | 第37-40页 |
| 3.2.1 算法原理 | 第37-40页 |
| 3.2.2 算法不足 | 第40页 |
| 3.3 基于长时相关性的动作时域检测算法 | 第40-42页 |
| 3.4 实验结果 | 第42-50页 |
| 3.4.1 实验数据集 | 第43-44页 |
| 3.4.2 实验结果分析 | 第44-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第四章 基于多特征融合的动作时域检测算法优化 | 第51-65页 |
| 4.1 现有算法问题 | 第51-52页 |
| 4.2 基于多特征融合的算法优化 | 第52-53页 |
| 4.3 实验结果 | 第53-63页 |
| 4.4 本章小结 | 第63-65页 |
| 第五章 动作时空检测系统的设计与实现 | 第65-77页 |
| 5.1 系统架构 | 第65-66页 |
| 5.2 主要开发环境 | 第66页 |
| 5.3 系统模块实现 | 第66-74页 |
| 5.3.1 光流特征提取模块 | 第66-70页 |
| 5.3.2 动作空域检测模块 | 第70-71页 |
| 5.3.3 动作时域检测模块 | 第71-72页 |
| 5.3.4 动作时空检测系统的可视化结果 | 第72-74页 |
| 5.4 系统评价指标 | 第74-75页 |
| 5.5 本章小结 | 第75-77页 |
| 第六章 总结与展望 | 第77-79页 |
| 6.1 工作成果总结 | 第77-78页 |
| 6.2 问题及未来展望 | 第78-79页 |
| 参考文献 | 第79-83页 |
| 致谢 | 第83-85页 |
| 攻读学位期间发表的学术论文目录 | 第85页 |