| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第一章 绪论 | 第12-24页 |
| 1.1 研究背景及意义 | 第12-15页 |
| 1.2 动态纹理识别的研究现状 | 第15-18页 |
| 1.3 本文研究方案 | 第18-20页 |
| 1.4 本论文的主要工作和安排 | 第20-24页 |
| 1.4.1 论文主要工作 | 第20-21页 |
| 1.4.2 论文安排 | 第21-24页 |
| 第二章 混沌特征基础知识 | 第24-34页 |
| 2.1 混沌时间序列 | 第24-26页 |
| 2.2 嵌入理论 | 第26-29页 |
| 2.3 混沌特征 | 第29-32页 |
| 2.3.1 盒维数(Box Count Dimension) | 第29-31页 |
| 2.3.2 信息维数(Information Dimension) | 第31页 |
| 2.3.3 关联维数（Correlation Dimension） | 第31-32页 |
| 2.3.4 最大李雅普诺夫指数 | 第32页 |
| 2.4 混沌特征向量 | 第32页 |
| 2.5 总结 | 第32-34页 |
| 第三章 混沌特征向量在词袋模型下的动态纹理识别 | 第34-60页 |
| 3.1 引言 | 第34-36页 |
| 3.2 词袋模型下的动态纹理识别方案 | 第36-38页 |
| 3.2.1 混沌特征向量 | 第37页 |
| 3.2.2 词袋模型 | 第37-38页 |
| 3.3 数据库介绍 | 第38-40页 |
| 3.4 对比方法介绍 | 第40-44页 |
| 3.4.1 时空特征 | 第40页 |
| 3.4.2 线性动态系统 | 第40-43页 |
| 3.4.3 概率潜在语义分析模型 | 第43-44页 |
| 3.5 动态纹理识别试验结果及分析 | 第44-57页 |
| 3.5.1 实验准备 | 第44-47页 |
| 3.5.2 UCLA-8 数据库的实验 | 第47-49页 |
| 3.5.3 UCLA-9 数据库的实验 | 第49-51页 |
| 3.5.4 NewDT-10数据库的实验 | 第51-54页 |
| 3.5.5 DynTex++数据库的实验 | 第54-55页 |
| 3.5.6 码本对识别率的影响 | 第55-56页 |
| 3.5.7 特征组合对识别率影响 | 第56-57页 |
| 3.6 本章小结 | 第57-60页 |
| 第四章 混沌特征向量在基于EMD算法下的动态纹理识别 | 第60-88页 |
| 4.1 引言 | 第60-62页 |
| 4.2 基于EMD的动态纹理识别 | 第62-66页 |
| 4.2.1 混沌特征向量 | 第64页 |
| 4.2.2 特征聚类 | 第64页 |
| 4.2.3 特征匹配 | 第64-66页 |
| 4.3 动态纹理分割实验结果及分析 | 第66-70页 |
| 4.4 动态纹理识别试验结果及分析 | 第70-78页 |
| 4.4.1 实验准备 | 第70页 |
| 4.4.2 UCLA-8 数据库的实验 | 第70-71页 |
| 4.4.3 UCLA-9 数据库的实验 | 第71-72页 |
| 4.4.4 NewDT-10数据库的实验 | 第72-74页 |
| 4.4.5 特征组合对识别率影响 | 第74-75页 |
| 4.4.6 含有噪音的数据库识别实验结果 | 第75页 |
| 4.4.7 基于EMD算法的参数变化 | 第75-76页 |
| 4.4.8 DynTex++数据库的实验 | 第76-77页 |
| 4.4.9 实验分析 | 第77-78页 |
| 4.5 智能交通视频流识别试验结果及分析 | 第78-87页 |
| 4.5.1 实验准备 | 第78-81页 |
| 4.5.2 交通识别结果 | 第81-87页 |
| 4.6 本章小结 | 第87-88页 |
| 第五章 混沌特征向量在多任务学习理论下的动态纹理识别 | 第88-108页 |
| 5.1 引言 | 第88-90页 |
| 5.2 多任务学习介绍 | 第90-94页 |
| 5.2.1 组稀疏模型 | 第92-93页 |
| 5.2.2 ADMM优化算法 | 第93-94页 |
| 5.3 基于多任务学习的动态纹理识别算法 | 第94-98页 |
| 5.3.1 组稀疏模型 | 第95-96页 |
| 5.3.2 计算子问题公式（5.15） | 第96-97页 |
| 5.3.3 计算子问题公式（5.16） | 第97-98页 |
| 5.4 试验结果及分析 | 第98-103页 |
| 5.4.1 实验准备 | 第98页 |
| 5.4.2 UCLA-8 数据库的实验 | 第98-99页 |
| 5.4.3 UCLA-9 数据库的实验 | 第99-100页 |
| 5.4.4 NewDT-10数据库的实验 | 第100-101页 |
| 5.4.5 DynTex++数据库 | 第101-102页 |
| 5.4.6 码本大小对识别率影响 | 第102-103页 |
| 5.5 实验讨论 | 第103-105页 |
| 5.6 本章小结 | 第105-108页 |
| 第六章 混沌特征向量在基于深度学习的动态纹理识别 | 第108-130页 |
| 6.1 引言 | 第108-110页 |
| 6.2 深度学习介绍 | 第110-112页 |
| 6.3 基于深度学习的动态纹理识别算法 | 第112-118页 |
| 6.3.1 低层特征 | 第114页 |
| 6.3.2 词袋模型 | 第114页 |
| 6.3.3 逐点互信息 | 第114-115页 |
| 6.3.4 深度神经网络 | 第115-118页 |
| 6.4 试验结果及分析 | 第118-127页 |
| 6.4.1 UCLA-8 数据库的实验 | 第119-120页 |
| 6.4.2 UCLA-9 数据库的实验 | 第120-121页 |
| 6.4.3 NewDT-10数据库的实验 | 第121-123页 |
| 6.4.4 无深度神经网络的实验 | 第123页 |
| 6.4.5 实验比较 | 第123-125页 |
| 6.4.6 DynTex++数据库 | 第125-126页 |
| 6.4.7 实验讨论 | 第126-127页 |
| 6.5 本章小结 | 第127-130页 |
| 第七章 总结与展望 | 第130-132页 |
| 7.1 工作总结 | 第130-131页 |
| 7.2 研究展望 | 第131-132页 |
| 参考文献 | 第132-148页 |
| 致谢 | 第148-150页 |
| 攻读博士学位期间发表和完成的学术论文 | 第150-151页 |
| 攻读博士学位期间参加的主要科研项目 | 第151页 |
| 攻读博士学位期间申请的国家发明专利 | 第151-153页 |
