| 摘要 | 第1-6页 |
| Abstract | 第6-7页 |
| 目录 | 第7-9页 |
| 第1章 引言 | 第9-16页 |
| ·研究背景及意义 | 第9-10页 |
| ·研究背景 | 第9页 |
| ·研究意义 | 第9-10页 |
| ·国内外研究现状 | 第10-13页 |
| ·国外研究现状 | 第10-11页 |
| ·国内研究现状 | 第11-12页 |
| ·人体行为识别系统 | 第12-13页 |
| ·本文研究工作及组织结构 | 第13-16页 |
| ·研究工作 | 第13-14页 |
| ·组织结构 | 第14-16页 |
| 第2章 相关理论综述 | 第16-27页 |
| ·神经网络 | 第16-21页 |
| ·神经网络概念 | 第16页 |
| ·RBF神经网络的网络结构 | 第16-17页 |
| ·RBF神经网络特点 | 第17-20页 |
| ·RBF神经网络的应用 | 第20-21页 |
| ·Adaboost算法 | 第21-22页 |
| ·Adaboost算法简介 | 第21页 |
| ·Adaboost算法基本原理 | 第21-22页 |
| ·AdaBoost算法应用 | 第22页 |
| ·Zernike矩 | 第22-26页 |
| ·Zernike多项式 | 第23页 |
| ·Zernike矩定义 | 第23-24页 |
| ·图像重建 | 第24-25页 |
| ·Zernike旋转不变性 | 第25-26页 |
| ·Zernike应用 | 第26页 |
| ·本章小结 | 第26-27页 |
| 第3章 Zernike矩在行为识别中的应用 | 第27-38页 |
| ·图像序列 | 第28-33页 |
| ·图像序列差分运算 | 第28-29页 |
| ·图像序列二值化 | 第29-30页 |
| ·运动能量图像 | 第30页 |
| ·运动历史图像 | 第30-33页 |
| ·基于Zernike矩的特征提取 | 第33-37页 |
| ·图像序列规范化 | 第34页 |
| ·运动历史图像序列描述 | 第34-35页 |
| ·基于Zernike矩的特征统计 | 第35-37页 |
| ·由Zernike矩进行图像重建 | 第37页 |
| ·本章小结 | 第37-38页 |
| 第4章 基于Adaboost的自适应特征选择 | 第38-44页 |
| ·Adaboost思想 | 第38-39页 |
| ·Adaboost(Adaptive Boosting)算法 | 第39-40页 |
| ·Adaboost特征分类 | 第40-43页 |
| ·强分类器 | 第40页 |
| ·基于限制权重扩张的改进优化算法 | 第40-42页 |
| ·强分类器特征分类 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 第5章 RBF神经网络在行为识别中的应用 | 第44-50页 |
| ·RBF神经网络 | 第44-45页 |
| ·基于改进的Boosting RBF神经网络的人体行为识别 | 第45-48页 |
| ·传统的Boosting算法 | 第45-46页 |
| ·改进的Boosting算法 | 第46页 |
| ·基于改进的Boosting RBF神经网络行为识别 | 第46-48页 |
| ·实验结果分析 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 第6章 总结与展望 | 第50-53页 |
| ·本文总结 | 第50页 |
| ·未来展望 | 第50-53页 |
| 参考文献 | 第53-55页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第55-56页 |
| 致谢 | 第56页 |
