| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 论文主要研究内容 | 第13-14页 |
| 1.4 论文结构安排 | 第14-15页 |
| 第2章 视频中人体动作识别方法概述 | 第15-24页 |
| 2.1 引言 | 第15页 |
| 2.2 人体动作特征提取方法 | 第15-18页 |
| 2.2.1 人体结构模型 | 第15-16页 |
| 2.2.2 人体外观特征 | 第16-17页 |
| 2.2.3 人体运动特征 | 第17-18页 |
| 2.3 人体动作识别方法 | 第18-20页 |
| 2.3.1 模板匹配法 | 第18页 |
| 2.3.2 状态空间法 | 第18-19页 |
| 2.3.3 深度学习法 | 第19-20页 |
| 2.4 人体动作识别数据集 | 第20-22页 |
| 2.5 实验环境和平台 | 第22-23页 |
| 2.5.1 实验环境 | 第22页 |
| 2.5.2 实验平台 | 第22-23页 |
| 2.6 本章小结 | 第23-24页 |
| 第3章 基于双通道3D卷积神经网络的人体动作识别 | 第24-40页 |
| 3.1 卷积神经网络 | 第24-28页 |
| 3.1.1 卷积层 | 第25页 |
| 3.1.2 池化层 | 第25-26页 |
| 3.1.3 激活函数 | 第26-28页 |
| 3.1.4 Dropout | 第28页 |
| 3.2 3D卷积神经网络 | 第28-30页 |
| 3.2.1 3D卷积层 | 第29页 |
| 3.2.2 3D下采样层 | 第29-30页 |
| 3.3 基于双通道3D卷积神经网络的人体动作识别模型 | 第30-35页 |
| 3.3.1 帧间差分通道 | 第30-32页 |
| 3.3.2 算法流程 | 第32-33页 |
| 3.3.3 网络结构 | 第33-34页 |
| 3.3.4 参数设置 | 第34-35页 |
| 3.4 实验及结果分析 | 第35-39页 |
| 3.4.1 模型性能对比实验结果 | 第35-36页 |
| 3.4.2 卷积核尺寸对比实验 | 第36-37页 |
| 3.4.3 损失函数选择实验 | 第37-38页 |
| 3.4.4 Dropout实验 | 第38-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 基于迁移学习和LSTM的人体动作识别 | 第40-55页 |
| 4.1 引言 | 第40页 |
| 4.2 基于迁移学习的特征提取 | 第40-48页 |
| 4.2.1 迁移学习 | 第40-42页 |
| 4.2.2 预训练模型 | 第42-45页 |
| 4.2.3 基于CNN预训练模型的特征提取和分类 | 第45-48页 |
| 4.3 变长序列的分类和识别 | 第48-50页 |
| 4.3.1 循环神经网络介绍 | 第48-49页 |
| 4.3.2 LSTM网络 | 第49-50页 |
| 4.4 基于预训练模型和LSTM的人体动作识别 | 第50-53页 |
| 4.4.1 算法流程 | 第50-51页 |
| 4.4.2 视频帧特征提取 | 第51-53页 |
| 4.4.3 LSTM分类 | 第53页 |
| 4.5 实验及结果分析 | 第53-54页 |
| 4.6 本章小结 | 第54-55页 |
| 第5章 结论与展望 | 第55-57页 |
| 5.1 结论 | 第55-56页 |
| 5.2 展望 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第60-61页 |
| 致谢 | 第61页 |