| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 第1章 绪论 | 第11-33页 |
| ·课题研究背景、目的和意义 | 第11-13页 |
| ·国内、外研究概况 | 第13-24页 |
| ·目标提取方法 | 第15-16页 |
| ·特征表示方法 | 第16-21页 |
| ·行为识别方法 | 第21-24页 |
| ·人体行为识别数据库 | 第24-30页 |
| ·本文主要研究内容和写作安排 | 第30-33页 |
| 第2章 运动目标检测 | 第33-42页 |
| ·引言 | 第33页 |
| ·常见的运动目标检测算法 | 第33-35页 |
| ·光流法 | 第33-34页 |
| ·帧差法 | 第34页 |
| ·背景减除法 | 第34-35页 |
| ·基于背景减除与边缘提取的目标检测算法 | 第35-41页 |
| ·自适应中值滤波与均值结合的背景提取 | 第35-37页 |
| ·改进的 sobel 算子边缘提取 | 第37-38页 |
| ·背景减除与边缘提取的融合 | 第38-39页 |
| ·试验结果及分析 | 第39-41页 |
| ·本章小结 | 第41-42页 |
| 第3章 运动目标的行为表征 | 第42-53页 |
| ·引言 | 第42页 |
| ·行为表征的研究背景 | 第42-43页 |
| ·方差能量图 | 第43-50页 |
| ·步态能量图分析 | 第43-45页 |
| ·基本步态能量图 | 第45-48页 |
| ·方差能量图 | 第48-49页 |
| ·图像拆分算法 | 第49-50页 |
| ·轮廓特征 | 第50-52页 |
| ·相关工作 | 第50页 |
| ·基于行为轮廓线提取行为特征 | 第50-52页 |
| ·本章小结 | 第52-53页 |
| 第4章 基于线性流形学习的行为分类研究 | 第53-73页 |
| ·引言 | 第53-54页 |
| ·主成分分析（PCA）的基本原理 | 第54-57页 |
| ·二维最大散度差鉴别（2DMSD） | 第57-61页 |
| ·Fisher 线性鉴别（FLD） | 第57-59页 |
| ·二维 Fisher 线性鉴别（2DFLD） | 第59页 |
| ·最大散度差鉴别（MSD） | 第59-61页 |
| ·行 MSD 列 PCA 鉴别分析（2D2MSDPCA） | 第61-63页 |
| ·行列双向二维最大散度差鉴别分析（2D2MSD） | 第63页 |
| ·试验分析 | 第63-72页 |
| ·图片的抽取方法对识别率的影响 | 第63-64页 |
| ·方差能量图在各种降维方式中的识别率 | 第64-68页 |
| ·图像拆分算法在各种降维方式中的识别率 | 第68-70页 |
| ·基于轮廓特征的行为在各种降维方式中的识别率 | 第70-72页 |
| ·本章小结 | 第72-73页 |
| 第5章 基于不变矩的异常行为检测 | 第73-101页 |
| ·引言 | 第73页 |
| ·几何矩 | 第73-75页 |
| ·矩的概念及不变性 | 第73-74页 |
| ·矩的物理意义 | 第74-75页 |
| ·Hu 不变矩及其改进 | 第75-80页 |
| ·Hu 不变矩 | 第75-76页 |
| ·基于边界的 Hu 矩的改进 | 第76-78页 |
| ·离散 Hu 矩的改进 | 第78-80页 |
| ·基于改进 Hu 矩的异常行为检测 | 第80-87页 |
| ·行为特征的提取 | 第80-82页 |
| ·改进的 Hausdorff 距离 | 第82-84页 |
| ·实验过程及分析 | 第84-87页 |
| ·小波不变矩的引入 | 第87-91页 |
| ·小波轮廓矩 | 第91页 |
| ·行为分析实验及结果 | 第91-99页 |
| ·小波矩参数分析 | 第91-97页 |
| ·小波矩的识别率分析 | 第97-99页 |
| ·本章小结 | 第99-101页 |
| 结论 | 第101-103页 |
| 参考文献 | 第103-119页 |
| 攻读博士学位期间发表的论文和取得的科研成果 | 第119-120页 |
| 致谢 | 第120页 |