| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 行为识别技术的发展 | 第14-18页 |
| 1.3.1 传统的行为识别技术 | 第14-16页 |
| 1.3.2 基于深度学习的行为识别技术 | 第16-18页 |
| 1.4 本文主要工作 | 第18页 |
| 1.5 本文结构安排 | 第18-19页 |
| 第二章 行为识别中的特征提取 | 第19-38页 |
| 2.1 传统特征提取方法 | 第19-25页 |
| 2.1.1 静态特征提取 | 第19-23页 |
| 2.1.1.1 方向梯度直方图(HOG)特征 | 第19-21页 |
| 2.1.1.2 局部二值模式(LBP) | 第21-22页 |
| 2.1.1.3 Harr-like特征 | 第22-23页 |
| 2.1.2 动态特征提取 | 第23-25页 |
| 2.1.2.1 方向光流直方图(HOF)特征 | 第23-24页 |
| 2.1.2.2 运动边界直方图(MBH)特征 | 第24-25页 |
| 2.1.3 传统特征提取方法分析 | 第25页 |
| 2.2 基于深度学习的特征提取方法 | 第25-32页 |
| 2.2.1 深度卷积神经网络的结构 | 第25-29页 |
| 2.2.1.1 卷积层 | 第27-28页 |
| 2.2.1.2 汇聚层 | 第28页 |
| 2.2.1.3 激活函数层 | 第28-29页 |
| 2.2.2 卷积神经网络的训练与计算 | 第29-31页 |
| 2.2.2.1 模型前向传播计算 | 第29-30页 |
| 2.2.2.2 模型反向传播训练 | 第30-31页 |
| 2.2.3 卷积神经网络特征提取方法分析 | 第31-32页 |
| 2.3 实验环境的搭建 | 第32-37页 |
| 2.3.1 硬件设备 | 第32页 |
| 2.3.2 软件配置 | 第32-33页 |
| 2.3.3 教室视频数据库介绍 | 第33-37页 |
| 2.4 本章小结 | 第37-38页 |
| 第三章 适用于教室监控视频异常行为检测的深度神经网络构建 | 第38-61页 |
| 3.1 基于深度学习的检测技术 | 第38-42页 |
| 3.1.1 CNN位置检测 | 第39-40页 |
| 3.1.2 CNN行为检测 | 第40-42页 |
| 3.2 教室监控视频行为识别的神经网络 | 第42-53页 |
| 3.2.1 基于YOLO网络的总体设计 | 第42-50页 |
| 3.2.2 基于关联物体的行为识别网络的训练与测试 | 第50-53页 |
| 3.2.2.1 网络的训练 | 第50-52页 |
| 3.2.2.2 网络的检测 | 第52-53页 |
| 3.3 设计的神经网络实验结果及分析 | 第53-60页 |
| 3.3.1 PASCALVOC行为数据库实验结果 | 第53-54页 |
| 3.3.2 教室视频数据库行为识别实验结果 | 第54-59页 |
| 3.3.3 实验结果分析 | 第59-60页 |
| 3.4 本章小结 | 第60-61页 |
| 第四章 利用MASK技术增强识别的神经网络构建 | 第61-73页 |
| 4.1 掩膜(MASK)技术及其深度学习应用介绍 | 第61-63页 |
| 4.1.1 掩膜技术 | 第61页 |
| 4.1.2 深度学习中的掩膜技术应用 | 第61-63页 |
| 4.2 改进后的教室视频行为识别的神经网络 | 第63-66页 |
| 4.2.1 改进后的神经网络总体设计 | 第63-66页 |
| 4.2.2 改进后的神经网络训练与测试 | 第66页 |
| 4.3 改进后的神经网络实验结果及分析 | 第66-72页 |
| 4.3.1 改进后的网络在公共数据库中的实验效果 | 第66-68页 |
| 4.3.2 改进后的神经网络实验结果 | 第68-71页 |
| 4.3.3 实验分析 | 第71-72页 |
| 4.4 本章小结 | 第72-73页 |
| 第五章 总结与展望 | 第73-75页 |
| 5.1 本文总结 | 第73页 |
| 5.2 未来工作展望 | 第73-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-81页 |
| 攻读硕士学位期间取得的成果 | 第81页 |