| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 专用术语注释表 | 第8-9页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 基于模板匹配的行为识别方法 | 第10-11页 |
| 1.2.2 基于状态空间的行为识别方法 | 第11-12页 |
| 1.2.3 基于状态统计的行为识别方法 | 第12页 |
| 1.3 常用人体行为数据集 | 第12-14页 |
| 1.4 课题研究难点 | 第14-15页 |
| 1.5 课题研究工作及章节安排 | 第15-16页 |
| 第二章 人体行为识别关键技术 | 第16-28页 |
| 2.1 特征提取与描述 | 第16-22页 |
| 2.1.1 全局特征与局部特征 | 第16-17页 |
| 2.1.2 时空兴趣点的检测方法 | 第17-20页 |
| 2.1.3 时空兴趣点的描述 | 第20-22页 |
| 2.2 常用分类器 | 第22-27页 |
| 2.2.1 K近邻分类 | 第23-24页 |
| 2.2.2 贝叶斯分类器 | 第24-25页 |
| 2.2.3 支持向量机 | 第25-27页 |
| 2.3 本章小结 | 第27-28页 |
| 第三章 基于分层聚类改进词典的词袋模型 | 第28-39页 |
| 3.1 词袋模型 | 第28-29页 |
| 3.2 词典构建 | 第29-32页 |
| 3.2.1 k-means聚类方法 | 第29-30页 |
| 3.2.2 分层聚类构建词典 | 第30-32页 |
| 3.3 视频表达级层面的特征融合 | 第32页 |
| 3.4 算法框架 | 第32-34页 |
| 3.5 实验结果与分析 | 第34-38页 |
| 3.5.1 行为识别的评估模型 | 第34-35页 |
| 3.5.2 基于改进词典的词袋模型的实验结果 | 第35-36页 |
| 3.5.3 词典改进的有效性验证 | 第36-37页 |
| 3.5.4 实验时间消耗情况对比 | 第37-38页 |
| 3.6 本章小结 | 第38-39页 |
| 第四章 基于特征筛选和软量化策略的局部聚合描述子向量 | 第39-50页 |
| 4.1 特征编码 | 第39-43页 |
| 4.1.1 基于投票性质的特征编码 | 第39-40页 |
| 4.1.2 基于重构性质的特征编码 | 第40-42页 |
| 4.1.3 基于显著度的特征编码 | 第42-43页 |
| 4.1.4 超向量型的特征编码 | 第43页 |
| 4.2 局部聚合描述符向量原理 | 第43-44页 |
| 4.3 增强型局部聚合描述符向量 | 第44-45页 |
| 4.3.1 特征描述子的筛选 | 第44页 |
| 4.3.2 局部聚合描述符向量编码软量化策略 | 第44-45页 |
| 4.4 算法框架 | 第45-46页 |
| 4.5 实验结果与分析 | 第46-49页 |
| 4.5.1 算法参数的影响 | 第47-48页 |
| 4.5.2 与传统的局部聚合描述子向量方法比较 | 第48-49页 |
| 4.6 本章小结 | 第49-50页 |
| 第五章 基于BP神经网络的人体行为识别方法 | 第50-62页 |
| 5.1 BP神经网络基本结构 | 第50-51页 |
| 5.2 BP神经网络学习算法描述 | 第51-54页 |
| 5.2.1 前向传播算法 | 第51-52页 |
| 5.2.2 误差反向传播算法 | 第52-54页 |
| 5.3 优化BP神经网络模型 | 第54-56页 |
| 5.3.1 权重参数初始化 | 第54-55页 |
| 5.3.2 激活函数的选择 | 第55页 |
| 5.3.3 Dropout技术的引入 | 第55-56页 |
| 5.4 算法框架 | 第56-57页 |
| 5.5 实验结果与分析 | 第57-61页 |
| 5.5.1 不同网络模型参数的影响 | 第58页 |
| 5.5.2 不同分类器的实验结果 | 第58-60页 |
| 5.5.3 实验结果的对比 | 第60-61页 |
| 5.6 本章小结 | 第61-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 工作总结 | 第62页 |
| 6.2 未来展望 | 第62-64页 |
| 参考文献 | 第64-67页 |
| 附录 攻读硕士学位期间撰写的论文 | 第67-68页 |
| 致谢 | 第68页 |