| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 表格索引 | 第9-10页 |
| 插图索引 | 第10-11页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 对视频特征的研究 | 第12-14页 |
| 1.2.2 视频表示的研究 | 第14-15页 |
| 1.2.3 分类方式的研究 | 第15页 |
| 1.3 目前存在的问题 | 第15-16页 |
| 1.4 研究内容及工作 | 第16-17页 |
| 1.5 论文结构 | 第17-19页 |
| 第二章 视频时空兴趣点的检测和时空特征的提取 | 第19-37页 |
| 2.1 二维兴趣点的检测算法 | 第19-23页 |
| 2.1.1 角点检测算法 | 第20-22页 |
| 2.1.2 斑点检测算法 | 第22-23页 |
| 2.2 二维兴趣点的描述算法 | 第23-27页 |
| 2.2.1 SIFT 描述算法 | 第24-27页 |
| 2.3 时空兴趣点的检测算法 | 第27-30页 |
| 2.3.1 Harris3D 检测算法 | 第28-29页 |
| 2.3.2 Hessian 检测算法 | 第29-30页 |
| 2.3.3 密集采样的方法 | 第30页 |
| 2.4 时空兴趣点的描述算法 | 第30-34页 |
| 2.4.1 HOG/HOF 描述算法 | 第31-32页 |
| 2.4.2 HOG3D 描述算法 | 第32-34页 |
| 2.5 时空兴趣点的描述算法的比较 | 第34-35页 |
| 2.6 本章小结 | 第35-37页 |
| 第三章 稀疏编码 | 第37-53页 |
| 3.1 稀疏编码的原理 | 第38-39页 |
| 3.2 词典学习算法 | 第39-43页 |
| 3.2.1 K-Means 聚类算法 | 第39-41页 |
| 3.2.2 K-SVD 算法 | 第41-43页 |
| 3.3 追踪编码算法 | 第43-48页 |
| 3.3.1 匹配追踪（MP）算法 | 第43-45页 |
| 3.3.2 正交匹配追踪（OMP）算法 | 第45-47页 |
| 3.3.3 基追踪（BP）方法 | 第47-48页 |
| 3.4 稀疏编码的改进和变体 | 第48-51页 |
| 3.4.1 局部性约束的线性编码（locality-constrained linear coding） | 第48页 |
| 3.4.2 具有可辨别性的标签一致的稀疏编码（discriminative label consistent sparse coding） | 第48-50页 |
| 3.4.3 非负的稀疏编码（non-negative sparse codes） | 第50-51页 |
| 3.5 本章小结 | 第51-53页 |
| 第四章 基于视频聚类子片段稀疏表示的人体行为识别 | 第53-63页 |
| 4.1 传统的基于局部时空特征的视频表示 | 第53-54页 |
| 4.2 基于视频聚类子片段的视频的稀疏表示 | 第54-62页 |
| 4.2.1 基本思想和视频表示流程 | 第54-56页 |
| 4.2.2 特征提取和稀疏编码 | 第56页 |
| 4.2.3 基于聚类的子片段检测 | 第56-59页 |
| 4.2.4 基于最大汇总的时空金字塔匹配的变体 | 第59-62页 |
| 4.3 本章小结 | 第62-63页 |
| 第五章 实验 | 第63-73页 |
| 5.1 实验设置 | 第63-66页 |
| 5.1.1 实验数据集 | 第63-64页 |
| 5.1.2 训练集和测试集的分割 | 第64-65页 |
| 5.1.3 实验工具、算法和固定参数的选择 | 第65-66页 |
| 5.1.4 实验结果的表示 | 第66页 |
| 5.2 实验过程和结果 | 第66-71页 |
| 5.2.1 不同的稀疏编码参数选择的比较 | 第66-68页 |
| 5.2.2 视频子片段个数直方图 | 第68页 |
| 5.2.3 得到的最好结果与和其他相关工作的比较 | 第68-71页 |
| 5.3 本章小结 | 第71-73页 |
| 全文总结 | 第73-75页 |
| 参考文献 | 第75-83页 |
| 致谢 | 第83-85页 |
| 攻读学位期间发表的学术论文目录 | 第85-87页 |
