| 摘要 | 第5-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.3 研究内容及章节安排 | 第14-17页 |
| 第2章 行为识别相关技术 | 第17-23页 |
| 2.1 卷积神经网络 | 第17-18页 |
| 2.1.1 降低网络参数的方法 | 第17-18页 |
| 2.2 分类算法 | 第18-19页 |
| 2.3 行为识别公用数据集 | 第19-21页 |
| 2.4 本章小结 | 第21-23页 |
| 第3章 基于随机投影和GMM-FV模型的改进型密集轨迹行为识别 | 第23-31页 |
| 3.1 行为识别算法 | 第23-29页 |
| 3.1.1 基于改进型密集轨迹算法的特征提取 | 第24-26页 |
| 3.1.2 基于随机投影的特征降维 | 第26-28页 |
| 3.1.3 GMM-FV模型 | 第28-29页 |
| 3.2 实验结果及分析 | 第29-30页 |
| 3.3 本章小结 | 第30-31页 |
| 第4章 基于C3D网络的多深度特征融合的视频的人体行为识别 | 第31-41页 |
| 4.1 基于C3D网络的多深度特征融合 | 第32-37页 |
| 4.1.1 光流信息提取 | 第32-34页 |
| 4.1.2 深度特征提取 | 第34-36页 |
| 4.1.3 多深度特征融合 | 第36-37页 |
| 4.2 实验结果与分析 | 第37-40页 |
| 4.3 本章小结 | 第40-41页 |
| 第5章 基于LRCN网络结构的视频的人体行为识别 | 第41-49页 |
| 5.1 基于LRCN网络结构的视频的人体行为识别的基本思想 | 第41页 |
| 5.2 递归神经网络(RNN)和长短时记忆网络(LSTM) | 第41-45页 |
| 5.2.3 长效递归卷积网络(LRCN) | 第44-45页 |
| 5.3 LRCN模型在行为识别中的实验评估 | 第45-46页 |
| 5.4 应用测试 | 第46页 |
| 5.5 本章小结 | 第46-49页 |
| 第6章 总结与展望 | 第49-51页 |
| 6.1 工作总结 | 第49-50页 |
| 6.2 工作存在不足与展望 | 第50-51页 |
| 参考文献 | 第51-57页 |
| 攻读硕士期间发表的论文 | 第57-59页 |
| 致谢 | 第59-60页 |
