| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 基于全局特征的行为识别研究现状 | 第14页 |
| 1.2.2 基于局部特征的行为识别研究现状 | 第14-16页 |
| 1.3 本文结构安排 | 第16-18页 |
| 第二章 时空兴趣点检测与描述算法 | 第18-31页 |
| 2.1 引言 | 第18页 |
| 2.2 时空兴趣点检测器 | 第18-22页 |
| 2.2.1 Harris3D特征检测器 | 第18-21页 |
| 2.2.2 Cuboid检测器 | 第21-22页 |
| 2.3 表观特征描述子 | 第22-30页 |
| 2.3.1 HOG3D描述子 | 第22-27页 |
| 2.3.2 SIFT3D描述子 | 第27-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 行为表示 | 第31-38页 |
| 3.1 引言 | 第31页 |
| 3.2 基于单词包算法的行为表示 | 第31-34页 |
| 3.2.1 Kmeans聚类算法介绍 | 第31-32页 |
| 3.2.2 单词包算法的原理介绍 | 第32-34页 |
| 3.3 局部分布信息增强的单词包算法 | 第34-37页 |
| 3.3.1 局部时空分布一致性 | 第34-36页 |
| 3.3.2 局部分布信息增强单词包模型 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 单人行为分类和识别 | 第38-56页 |
| 4.1 引言 | 第38页 |
| 4.2 支持向量机SVM | 第38-44页 |
| 4.2.1 VC维理论 | 第38页 |
| 4.2.2 结构风险最小化 | 第38-39页 |
| 4.2.3 线性可分SVM | 第39-41页 |
| 4.2.4 线性不可分SVM | 第41-42页 |
| 4.2.5 多类分类SVM | 第42-44页 |
| 4.3 基于多分类SVM的单人行为识别 | 第44-46页 |
| 4.3.1 单人行为识别基本思想 | 第44页 |
| 4.3.2 单人行为识别框架 | 第44-46页 |
| 4.4 单人行为识别数据库介绍 | 第46-47页 |
| 4.5 实验结果分析与比较 | 第47-55页 |
| 4.5.1 基于传统BOW算法的多分类SVM行为识别 | 第47-50页 |
| 4.5.2 基于增强BOW算法的多分类SVM行为识别 | 第50-55页 |
| 4.6 本章小结 | 第55-56页 |
| 第五章 异常行为检测 | 第56-63页 |
| 5.1 引言 | 第56页 |
| 5.2 异常行为检测分析 | 第56-59页 |
| 5.2.1 异常行为检测概述 | 第56-57页 |
| 5.2.2 前景提取及标记 | 第57-58页 |
| 5.2.3 感兴趣帧的选取 | 第58-59页 |
| 5.3 异常行为检测实验 | 第59-62页 |
| 5.3.1 基于感兴趣帧的异常行为检测 | 第59-61页 |
| 5.3.2 异常行为检测实验与结果分析 | 第61-62页 |
| 5.4 本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 本文工作总结 | 第63-64页 |
| 6.2 未来工作展望 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 致谢 | 第70-71页 |
| 攻读硕士期间发表论文 | 第71页 |