| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文主要研究内容及创新点 | 第13-15页 |
| 1.4 本文主要结构安排 | 第15-17页 |
| 第二章 典型的行为识别系统简介 | 第17-28页 |
| 2.1 引言 | 第17页 |
| 2.2 特征提取算法综述 | 第17-20页 |
| 2.2.1 特征子空间法 | 第18-19页 |
| 2.2.2 统计学习理论方法 | 第19-20页 |
| 2.2.3 局部特征方法 | 第20页 |
| 2.3 经典分类器 | 第20-25页 |
| 2.3.1 极限学习机 | 第21-23页 |
| 2.3.2 支持向量机 | 第23-24页 |
| 2.3.3 K近邻分类器 | 第24-25页 |
| 2.4 LBP基本原理 | 第25-27页 |
| 2.4.1 传统LBP算法简介 | 第25-26页 |
| 2.4.2 传统局部二值模式的优势和劣势 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 基于小波多层次LBP算法的行为识别 | 第28-41页 |
| 3.1 Gabor小波原理介绍 | 第28-30页 |
| 3.1.1 二维Gabor小波变换原理 | 第28-29页 |
| 3.1.2 基于Gabor小波变换的行为特征提取 | 第29-30页 |
| 3.2 LBP直方图特征提取 | 第30-32页 |
| 3.2.1 二维Gabor小波变换原理 | 第31-32页 |
| 3.3 小波多层次LBP算法的特征提取 | 第32-35页 |
| 3.4 实验结果分析 | 第35-40页 |
| 3.4.1 分快模式尺寸的确定和不同分解层数的识别效果 | 第36-37页 |
| 3.4.2 ImageNet数据库上的实验 | 第37-39页 |
| 3.4.3 Pascal VOC2011数据库上的实验 | 第39-40页 |
| 3.5 本章小结 | 第40-41页 |
| 第四章 基于Cholesky分解与在线极限学习机的行为识别 | 第41-52页 |
| 4.1 引言 | 第41页 |
| 4.2 Cholesky分解原理及在线极限学习机 | 第41-43页 |
| 4.3 基于Cholesky分解与极限学习机的行为识别算法 | 第43-46页 |
| 4.4 实验结果与分析 | 第46-51页 |
| 4.4.1 Pascal VOC2011数据库上的实验 | 第46-49页 |
| 4.4.2 ImageNet数据库上的实验 | 第49-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第五章 总结与展望 | 第52-54页 |
| 5.1 论文工作总结 | 第52-53页 |
| 5.2 下一步展望 | 第53-54页 |
| 参考文献 | 第54-59页 |
| 致谢 | 第59-61页 |
| 附录 (攻读硕士学位期间发表和录用的学术论文) | 第61页 |
