| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-17页 |
| 1.1 研究背景 | 第10页 |
| 1.2 研究现状 | 第10-13页 |
| 1.3 研究目的及意义 | 第13-14页 |
| 1.4 本文的主要工作 | 第14-15页 |
| 1.5 本文的组织架构 | 第15-17页 |
| 2 背景知识 | 第17-27页 |
| 2.1 德劳内三角剖分 | 第17-20页 |
| 2.2 信息熵 | 第20-21页 |
| 2.3 归一化分割方法（Normalized Cut） | 第21-25页 |
| 2.3.1 归一化分割方法基本形式 | 第22-24页 |
| 2.3.2 归一化分割方法流程 | 第24页 |
| 2.3.3 归一化分割方法的求解 | 第24-25页 |
| 2.4 本章小结 | 第25-27页 |
| 3 基于德劳内剖分的复合相似性度量方法 | 第27-35页 |
| 3.1 常用的相似性度量方法 | 第27-30页 |
| 3.2 复合相似性度量方法 | 第30-33页 |
| 3.2.1 运动个体位置信息 | 第30-31页 |
| 3.2.2 运动个体朝向信息 | 第31-32页 |
| 3.2.3 运动个体邻接关系 | 第32-33页 |
| 3.3 基于德劳内剖分的复合相似性度量方法描述 | 第33-34页 |
| 3.4 本章小结 | 第34-35页 |
| 4 基于分层聚类分析的集体行为识别算法 | 第35-42页 |
| 4.1 算法主要思想 | 第35页 |
| 4.2 算法描述 | 第35-39页 |
| 4.2.1 数据准备 | 第35-36页 |
| 4.2.2 复合相似性度量 | 第36-37页 |
| 4.2.3 区域凝聚聚类 | 第37-38页 |
| 4.2.4 整体邻接融合 | 第38-39页 |
| 4.3 算法分析 | 第39-40页 |
| 4.4 本章小结 | 第40-42页 |
| 5 实验与性能分析 | 第42-53页 |
| 5.1 数据准备 | 第42页 |
| 5.2 实验结果 | 第42-46页 |
| 5.3 实验讨论 | 第46-52页 |
| 5.3.1 实验效果对比 | 第46-47页 |
| 5.3.2 实验有效性对比 | 第47-48页 |
| 5.3.3 实验响应时间对比 | 第48-49页 |
| 5.3.4 实验参数设定 | 第49-52页 |
| 5.4 本章小结 | 第52-53页 |
| 6 总结与展望 | 第53-55页 |
| 6.1 总结 | 第53-54页 |
| 6.2 展望 | 第54-55页 |
| 参考文献 | 第55-59页 |
| 致谢 | 第59-61页 |
| 个人简介、在学期间发表的学术论文与研究成果 | 第61页 |