| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 符号对照表 | 第9-10页 |
| 缩略语对照表 | 第10-13页 |
| 第一章 绪论 | 第13-21页 |
| 1.1 研究背景和意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 国外研究现状 | 第14-16页 |
| 1.2.2 国内研究现状 | 第16-17页 |
| 1.3 行为分析识别的常用公共数据库 | 第17-18页 |
| 1.4 论文的主要研究内容 | 第18页 |
| 1.5 论文章节安排 | 第18-21页 |
| 第二章 相关理论基础 | 第21-33页 |
| 2.1 图像卷积和池化 | 第21-23页 |
| 2.1.1 图像卷积 | 第21-22页 |
| 2.1.2 图像池化 | 第22-23页 |
| 2.2 运动目标检测 | 第23-26页 |
| 2.2.1 背景减除法 | 第23-24页 |
| 2.2.2 帧差法 | 第24-25页 |
| 2.2.3 基于RGB空间的混合高斯模型 | 第25-26页 |
| 2.3 softmax分类器 | 第26-28页 |
| 2.3.1 softmax简介 | 第26-27页 |
| 2.3.2 代价函数 | 第27页 |
| 2.3.3 softmax回归参数的特点 | 第27-28页 |
| 2.3.4 权重衰减 | 第28页 |
| 2.4 卷积神经网络 | 第28-33页 |
| 2.4.1 基本概念 | 第28-29页 |
| 2.4.2 网络结构 | 第29页 |
| 2.4.3 神经元模型 | 第29-31页 |
| 2.4.4 卷积神经网络的优点 | 第31页 |
| 2.4.5 卷积神经网络的应用 | 第31-33页 |
| 第三章 一种神经网络的在线学习算法 | 第33-43页 |
| 3.1 在线学习理论和算法 | 第33-40页 |
| 3.1.1 BP神经网络算法 | 第33-35页 |
| 3.1.2 BP神经网络在线学习算法 | 第35-37页 |
| 3.1.3 可变步长在线学习算法 | 第37-40页 |
| 3.2 离线BP算法与在线BP算法的对比实验 | 第40-41页 |
| 3.2.1 实验数据的选取 | 第40页 |
| 3.2.2 对比实验 | 第40页 |
| 3.2.3 迭代次数和训练样本数目对算法的影响 | 第40-41页 |
| 3.3 本章小结 | 第41-43页 |
| 第四章 基于 3D卷积神经网络的人体行为理解 | 第43-49页 |
| 4.1 概述 | 第43-44页 |
| 4.2 3D卷积 | 第44-45页 |
| 4.3 3D CNN架构 | 第45-47页 |
| 4.4 模型规则化 | 第47页 |
| 4.5 模型组合 | 第47-48页 |
| 4.6 实验结果及比较 | 第48-49页 |
| 第五章 一种基于 3D卷积神经网络的人体行为识别算法 | 第49-55页 |
| 5.1 算法流程 | 第49-53页 |
| 5.1.2 视频输入 | 第51页 |
| 5.1.3 图像预处理 | 第51页 |
| 5.1.4 构造 3D卷积神经网络 | 第51-53页 |
| 5.1.5 提取特征向量 | 第53页 |
| 5.1.6 对特征向量进行分类训练 | 第53页 |
| 5.1.7 输出测试结果 | 第53页 |
| 5.2 实验验证及结果分析 | 第53-54页 |
| 5.3 算法优势和特点总结 | 第54-55页 |
| 第六章 总结与展望 | 第55-57页 |
| 6.1 总结 | 第55页 |
| 6.2 展望 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-63页 |
| 作者简介 | 第63-64页 |