| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 课题研究背景与意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 论文主要工作 | 第10页 |
| 1.4 论文的结构安排 | 第10-12页 |
| 第2章 基于视频的人体行为识别方法概述 | 第12-17页 |
| 2.1 引言 | 第12页 |
| 2.2 人体行为识别技术概述 | 第12-14页 |
| 2.2.1 传统的行为识别技术 | 第12-13页 |
| 2.2.2 基于深度学习的行为识别技术 | 第13-14页 |
| 2.3 人体行为识别面临的挑战 | 第14-15页 |
| 2.4 主要数据库介绍 | 第15-16页 |
| 2.5 本章小结 | 第16-17页 |
| 第3章 基于混合时空特征描述子的人体行为识别 | 第17-31页 |
| 3.1 引言 | 第17页 |
| 3.2 多尺度时空兴趣点检测 | 第17-18页 |
| 3.3 局部时空特征提取 | 第18-22页 |
| 3.3.1 3D有向梯度直方图（HOG3D） | 第19页 |
| 3.3.2 光流直方图（HOF） | 第19-20页 |
| 3.3.3 多向投影光流直方图（DPHOF） | 第20-22页 |
| 3.4 基于自组织特征映射（SOM）的全局描述子 | 第22-23页 |
| 3.4.1 SOM网络简介 | 第22-23页 |
| 3.4.2 全局视频描述子的构造 | 第23页 |
| 3.5 识别过程和算法 | 第23-25页 |
| 3.6 实验结果与分析 | 第25-30页 |
| 3.6.1 SOM网络训练参数的影响 | 第25-26页 |
| 3.6.2 UCF YouTube数据库 | 第26-28页 |
| 3.6.3 KTH数据库 | 第28-30页 |
| 3.7 本章小结 | 第30-31页 |
| 第4章 基于Dropout卷积神经网络的行为识别 | 第31-40页 |
| 4.1 引言 | 第31页 |
| 4.2 3DCNN神经网络 | 第31-33页 |
| 4.2.1 三维卷积 | 第31-32页 |
| 4.2.2 3DCNN的总体结构 | 第32-33页 |
| 4.3 基于Dropout的 3D CNN | 第33-36页 |
| 4.3.1 Gabor小波滤波器 | 第33-34页 |
| 4.3.2 Dropout技术 | 第34-35页 |
| 4.3.3 改进的Dropout 3D CNN的网络结构 | 第35-36页 |
| 4.3.4 原 3D CNN与改进的Dropout 3D CNN的对比 | 第36页 |
| 4.4 实验与分析 | 第36-39页 |
| 4.4.1 算法流程 | 第37页 |
| 4.4.2 基于KTH数据集的网络的实现 | 第37-38页 |
| 4.4.3 基于UCF-YouTube数据集的网络的实现 | 第38-39页 |
| 4.5 本章小结 | 第39-40页 |
| 第5章 总结与展望 | 第40-42页 |
| 5.1 全文工作总结 | 第40页 |
| 5.2 后续工作展望 | 第40-42页 |
| 参考文献 | 第42-46页 |
| 致谢 | 第46-47页 |
| 攻读硕士学位期间发表的学术论文 | 第47-48页 |
| 攻读硕士学位期间参与的科研项目 | 第48页 |
