| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-18页 |
| 1.1 课题背景与研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 基础模型理论 | 第12-15页 |
| 1.3.1 半径-间隔支持向量机（R-SVM） | 第12-14页 |
| 1.3.2 深度学习及卷积神经网络 | 第14-15页 |
| 1.4 动作识别 | 第15-16页 |
| 1.5 主要研究内容和本文结构安排 | 第16-18页 |
| 第2章 基于LOG-DET正则化的R-SVM模型 | 第18-33页 |
| 2.1 基本思想 | 第18页 |
| 2.2 基于LOG-DET正则化的R-SVM模型（L-SVM） | 第18-22页 |
| 2.3 L-SVM模型的学习算法 | 第22-25页 |
| 2.3.1 特征变换矩阵子问题 | 第23-25页 |
| 2.3.2 SVM子问题 | 第25页 |
| 2.4 L-SVM模型的核方法 | 第25-26页 |
| 2.5 实验结果及其分析 | 第26-31页 |
| 2.5.1 数据集及实验设置 | 第27-28页 |
| 2.5.2 L-SVM实验结果及分析 | 第28-29页 |
| 2.5.3 核L-SVM实验结果及分析 | 第29-31页 |
| 2.6 本章小结 | 第31-33页 |
| 第3章 基于IDT特征和L-SVM模型的动作识别 | 第33-46页 |
| 3.1 基本思想 | 第33-34页 |
| 3.2 特征提取 | 第34-39页 |
| 3.2.1 基于DT的特征描述 | 第34-37页 |
| 3.2.2 IDT特征提取 | 第37-39页 |
| 3.3 IDT特征的FISHER VECTOR编码 | 第39-40页 |
| 3.4 基于L-SVM的动作识别 | 第40-41页 |
| 3.5 实验结果及分析 | 第41-44页 |
| 3.5.1 数据集及实验设置 | 第41-42页 |
| 3.5.2 实验结果分析 | 第42-44页 |
| 3.6 本章小结 | 第44-46页 |
| 第4章 基于CNN和L-SVM模型的动作识别 | 第46-60页 |
| 4.1 基本思想 | 第46-47页 |
| 4.2 CNN网络结构 | 第47-50页 |
| 4.2.1 视频分割 | 第47-48页 |
| 4.2.2 3D卷积层 | 第48-49页 |
| 4.2.3 Max-pooling层 | 第49-50页 |
| 4.2.4 2D卷积层 | 第50页 |
| 4.2.5 全连接层 | 第50页 |
| 4.3 半径信息的嵌入方式和学习算法 | 第50-53页 |
| 4.4 实验结果及其分析 | 第53-58页 |
| 4.4.1 数据集及实验设置 | 第53-55页 |
| 4.4.2 实验结果分析 | 第55-58页 |
| 4.5 本章小结 | 第58-60页 |
| 结论 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第67-69页 |
| 致谢 | 第69页 |