| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 行为识别的研究现状 | 第11-14页 |
| 1.3 研究内容 | 第14页 |
| 1.4 本文的组织结构 | 第14-16页 |
| 第二章 行为识别算法概述 | 第16-32页 |
| 2.1 依赖手动提取特征的行为识别方法概述 | 第17-24页 |
| 2.1.1 特征采样方法 | 第17-20页 |
| 2.1.2 描述符 | 第20-21页 |
| 2.1.3 特征预/后处理技术 | 第21-22页 |
| 2.1.4 聚类方法 | 第22-23页 |
| 2.1.5 编码方法 | 第23-24页 |
| 2.2 利用深度网络学习特征的行为识别方法概述 | 第24-26页 |
| 2.3 行为识别算法分析评价 | 第26-31页 |
| 2.3.1 基准数据集介绍 | 第26-28页 |
| 2.3.2 行为识别算法分析与比较 | 第28-31页 |
| 2.4 行为识别中急需解决的问题及未来发展趋势 | 第31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 利用特征融合的改进VLAD编码方法 | 第32-47页 |
| 3.1 方法概述 | 第32页 |
| 3.2 特征提取 | 第32-34页 |
| 3.3 视频表示向量构造 | 第34-37页 |
| 3.3.1 视觉向量的构造 | 第35页 |
| 3.3.2 位置向量的构造 | 第35-37页 |
| 3.4 向量归一化 | 第37页 |
| 3.5 实验数据集及参数设置 | 第37-39页 |
| 3.5.1 实验数据集 | 第38-39页 |
| 3.5.2 实验环境以及设置 | 第39页 |
| 3.6 实验结果及分析 | 第39-46页 |
| 3.6.1 与依赖传统手动特征方法的分类准确度比较 | 第39-41页 |
| 3.6.2 与CNN方法的分类准确度比较 | 第41-42页 |
| 3.6.3 视觉词典及位置词典大小对算法性能影响分析 | 第42-43页 |
| 3.6.4 不同归一化方法对算法的影响 | 第43-44页 |
| 3.6.5 向量串联升维前后的识别准确度对比 | 第44-46页 |
| 3.7 本章小结 | 第46-47页 |
| 第四章 利用融合子特征的降维行为识别算法 | 第47-56页 |
| 4.1 方法概述 | 第48-49页 |
| 4.2 利用融合子特征进行行为识别 | 第49-51页 |
| 4.2.1 特征选取及编码 | 第49页 |
| 4.2.2 特征池化及融合 | 第49-50页 |
| 4.2.3 行为识别算法描述 | 第50-51页 |
| 4.3 实验数据集及参数设置 | 第51-52页 |
| 4.3.1 实验数据集 | 第51页 |
| 4.3.2 实验环境以及参数设置 | 第51-52页 |
| 4.4 实验结果与分析 | 第52-55页 |
| 4.4.1 Vector与其他三种方法的识别准确率对比 | 第52页 |
| 4.4.2 按照不同描述符将特征划分成四个子特征对算法的影响 | 第52-53页 |
| 4.4.3 特征预处理对算法识别性能的影响 | 第53-54页 |
| 4.4.4 归一化方式对算法识别性能的影响 | 第54-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第五章 总结与展望 | 第56-58页 |
| 5.1 主要研究成果 | 第56-57页 |
| 5.2 工作展望 | 第57-58页 |
| 参考文献 | 第58-65页 |
| 致谢 | 第65-66页 |
| 攻读学位期间的研究成果 | 第66-67页 |
