| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 符号对照表 | 第10-11页 |
| 缩略语对照表 | 第11-14页 |
| 第一章 绪论 | 第14-18页 |
| 1.1 研究背景及意义 | 第14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.3 论文主要研究内容及章节安排 | 第17-18页 |
| 第二章 人体行为识别相关工作介绍 | 第18-28页 |
| 2.1 引言 | 第18页 |
| 2.2 基于人工特征的行为识别方法 | 第18-23页 |
| 2.2.1 静态人工特征 | 第18-21页 |
| 2.2.2 动态人工特征 | 第21-23页 |
| 2.3 基于深度学习的行为识别方法 | 第23-27页 |
| 2.3.1 双流卷积网络 | 第23-25页 |
| 2.3.2 3D卷积网络 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 一种基于运动学描述子的人体行为识别方法 | 第28-42页 |
| 3.1 引言 | 第28-29页 |
| 3.2 运动学场提取 | 第29-33页 |
| 3.2.1 稠密光流提取 | 第29-30页 |
| 3.2.2 光流时空梯度场提取 | 第30-31页 |
| 3.2.3 散度场和旋度场提取 | 第31页 |
| 3.2.4 切变场提取 | 第31-32页 |
| 3.2.5 对称场和非对称场提取 | 第32-33页 |
| 3.3 构建运动学自相关描述子 | 第33-35页 |
| 3.4 构建运动学协方差描述子 | 第35-37页 |
| 3.4.1 底层特征提取 | 第35页 |
| 3.4.2 构建运动学协方差描述子 | 第35-37页 |
| 3.5 运动学描述子用于行为识别 | 第37-40页 |
| 3.5.1 Fisher编码 | 第37-39页 |
| 3.5.2 主成分分析 | 第39-40页 |
| 3.5.3 人体行为识别 | 第40页 |
| 3.6 本章小结 | 第40-42页 |
| 第四章 基于运动学描述子和深度学习的行为识别新框架 | 第42-60页 |
| 4.1 引言 | 第42-43页 |
| 4.2 深度残差网络 | 第43-45页 |
| 4.2.1 残差模块 | 第43-44页 |
| 4.2.2 深度残差网络的结构与训练方式 | 第44-45页 |
| 4.3 融合注意力机制的深度残差网络 | 第45-49页 |
| 4.3.1 多通道软注意力机制 | 第45-48页 |
| 4.3.2 融合注意力机制的深度残差网络 | 第48-49页 |
| 4.4 构建深度静态描述子 | 第49-51页 |
| 4.5 基于运动学描述子和深度学习的行为识别新框架 | 第51-52页 |
| 4.6 实验与分析 | 第52-58页 |
| 4.6.1 数据库介绍 | 第52-53页 |
| 4.6.2 参数设置与数据库划分 | 第53页 |
| 4.6.3 基于人工运动学描述子的行为识别实验 | 第53-54页 |
| 4.6.4 正则项参数选择实验 | 第54-55页 |
| 4.6.5 基于深度静态描述子的行为识别实验 | 第55-56页 |
| 4.6.6 基于新框架的行为识别实验 | 第56-57页 |
| 4.6.7 特征可视化 | 第57-58页 |
| 4.7 本章小结 | 第58-60页 |
| 第五章 全文总结与展望 | 第60-62页 |
| 5.1 全文总结 | 第60页 |
| 5.2 未来展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 致谢 | 第66-68页 |
| 作者简介 | 第68-69页 |