基于卷积神经网络的人体行为识别研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 引言 | 第11页 |
| 1.2 国内外发展现状 | 第11-13页 |
| 1.3 行为识别技术的研究概况 | 第13-17页 |
| 1.3.1 运动前景检测技术 | 第14页 |
| 1.3.2 目标跟踪算法 | 第14-15页 |
| 1.3.3 行为识别方法 | 第15-17页 |
| 1.4 研究内容与论文结构 | 第17-19页 |
| 第2章 卷积神经网络的理论基础 | 第19-33页 |
| 2.1 卷积神经网络 | 第19-29页 |
| 2.1.1 卷积神经网络的结构 | 第20-22页 |
| 2.1.2 LeNet-5的网络结构 | 第22-24页 |
| 2.1.3 AlexNet的网络结构及改进 | 第24-27页 |
| 2.1.4 卷积神经网络的相关问题 | 第27-29页 |
| 2.2 行为识别常用公共数据库 | 第29-32页 |
| 2.2.1 Weizmann数据库 | 第30页 |
| 2.2.2 KTH数据库 | 第30-31页 |
| 2.2.3 UCF101数据库 | 第31-32页 |
| 2.3 本章小结 | 第32-33页 |
| 第3章 基于卷积神经网络的行为识别 | 第33-47页 |
| 3.1 运动前景检测算法 | 第33-37页 |
| 3.1.1 帧间差分法 | 第33-35页 |
| 3.1.2 背景减除法 | 第35-36页 |
| 3.1.3 光流法 | 第36-37页 |
| 3.2 形态学处理知识 | 第37-38页 |
| 3.2.1 腐蚀与膨胀 | 第37-38页 |
| 3.2.2 开运算与闭运算 | 第38页 |
| 3.3 二维特征图的构造 | 第38-42页 |
| 3.3.1 DoG算子简介 | 第39页 |
| 3.3.2 基于DoG图像的人体剪影提取算法 | 第39-41页 |
| 3.3.3 构造二维特征图 | 第41-42页 |
| 3.4 利用CNN进行行为识别 | 第42-45页 |
| 3.4.1 CNN基本参数的设置 | 第42页 |
| 3.4.2 实验结果 | 第42-45页 |
| 3.5 本章小结 | 第45-47页 |
| 第4章 基于三维卷积神经网络的行为识别 | 第47-61页 |
| 4.1 三维卷积神经网络的原理及结构 | 第47-50页 |
| 4.1.1 三维卷积的原理 | 第47-48页 |
| 4.1.2 三维下采样的原理 | 第48页 |
| 4.1.3 3D CNN的总体结构 | 第48-50页 |
| 4.2 最佳特征的选择 | 第50-52页 |
| 4.2.1 基于轮廓特征的实验 | 第51-52页 |
| 4.2.2 基于运动特征的实验 | 第52页 |
| 4.3 利用3D CNN进行行为识别 | 第52-54页 |
| 4.3.1 网络调参的实验结果 | 第53-54页 |
| 4.3.2 交叉验证的实验结果 | 第54页 |
| 4.4 不均衡数据分类问题 | 第54-59页 |
| 4.4.1 数据均衡算法 | 第55-56页 |
| 4.4.2 实验结果 | 第56-58页 |
| 4.4.3 分析与总结 | 第58-59页 |
| 4.5 本章小结 | 第59-61页 |
| 第5章 总结与展望 | 第61-63页 |
| 5.1 总结 | 第61页 |
| 5.2 展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-69页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第69页 |
