| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 主要符号表 | 第8-9页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 行为识别发展现状及相关研究工作 | 第10-13页 |
| 1.3 本文主要研究内容 | 第13页 |
| 1.4 论文结构安排 | 第13-15页 |
| 第2章 行为识别特征提取和分类方法 | 第15-37页 |
| 2.1 传统行为识别方法中的特征提取算法 | 第15-23页 |
| 2.1.1 空间域特征提取方式 | 第15-20页 |
| 2.1.2 引入时域特征的特征提取方法 | 第20-23页 |
| 2.1.3 传统行为识别方法中的特征提取算法小结 | 第23页 |
| 2.2 基于深度学习的特征提取方式 | 第23-36页 |
| 2.2.1 深度学习算法综述 | 第23-25页 |
| 2.2.2 人工神经网络 | 第25-29页 |
| 2.2.3 卷积神经网络与LeNet | 第29-32页 |
| 2.2.4 RNN与LSTM网络 | 第32-35页 |
| 2.2.5 深度学习特征提取方法分析 | 第35-36页 |
| 2.3 本章小结 | 第36-37页 |
| 第3章 3D-BN-VGG算法 | 第37-53页 |
| 3.1 3D-CNN行为识别的基本思路 | 第37-39页 |
| 3.2 3D-BN-VGG网络的总体结构设计 | 第39-49页 |
| 3.2.1 网络各层堆叠方式选择 | 第39-41页 |
| 3.2.2 批量归一化算法(BatchNormalization,BN)加速训练 | 第41-42页 |
| 3.2.3 3D-BN-VGG网络各层结构 | 第42-48页 |
| 3.2.4 3D-BN-VGG网络参数量分析 | 第48-49页 |
| 3.3 深度学习框架选择与网络具体实现 | 第49-51页 |
| 3.3.1 各类深度学习框架的优缺点 | 第49-50页 |
| 3.3.2 基于Keras框架的网络实现 | 第50-51页 |
| 3.4 本章小结 | 第51-53页 |
| 第4章 3D-CNN与LSTM网络融合算法 | 第53-59页 |
| 4.1 CNN与LSTM网络融合的基本思路 | 第53-54页 |
| 4.2 融合网络的各层结构设计 | 第54-57页 |
| 4.2.1 前置3D-CNN的结构修改 | 第54-55页 |
| 4.2.2 3D-CNN与LSTM网络的融合方案 | 第55-56页 |
| 4.2.3 基于Keras框架的融合网络具体实现 | 第56-57页 |
| 4.3 本章小结 | 第57-59页 |
| 第5章 基于多种数据集的实验结果对比 | 第59-75页 |
| 5.1 UCF-101和HMDB-51数据集介绍 | 第59-61页 |
| 5.2 具体数据集上的网络训练 | 第61-68页 |
| 5.2.1 实验软硬件环境 | 第61-62页 |
| 5.2.2 数据预处理 | 第62-63页 |
| 5.2.3 3D-BN-VGG训练过程 | 第63-65页 |
| 5.2.4 融合网络训练过程 | 第65-68页 |
| 5.3 测试指标结果 | 第68-72页 |
| 5.3.1 3D-BN-VGG网络测试指标 | 第68-70页 |
| 5.3.2 融合网络测试指标 | 第70-71页 |
| 5.3.3 决策策略选择 | 第71-72页 |
| 5.4 测试结果评价 | 第72-75页 |
| 第6章 总结与展望 | 第75-77页 |
| 6.1 本文工作总结 | 第75页 |
| 6.2 下一步研究工作展望 | 第75-77页 |
| 参考文献 | 第77-81页 |
| 攻读学位期间取得的研究成果 | 第81-83页 |
| 致谢 | 第83-84页 |