| 提要 | 第1-5页 |
| 摘要 | 第5-8页 |
| Abstract | 第8-15页 |
| 第1章 绪论 | 第15-33页 |
| ·课题背景 | 第15-17页 |
| ·研究目的和意义 | 第17-18页 |
| ·研究目的 | 第17-18页 |
| ·研究意义 | 第18页 |
| ·人体行为识别问题描述 | 第18-28页 |
| ·行为表示方法 | 第18-23页 |
| ·行为分类方法 | 第23-28页 |
| ·国内外研究现状 | 第28-31页 |
| ·国外研究现状 | 第28-30页 |
| ·国内研究现状 | 第30-31页 |
| ·现有工作分析和问题提出 | 第31-32页 |
| ·本文的贡献 | 第32页 |
| ·本文的组织结构 | 第32-33页 |
| 第2章 相关工作介绍 | 第33-45页 |
| ·张量 | 第33-34页 |
| ·典型相关分析(CCA) | 第34-37页 |
| ·CCA 的原理 | 第34-35页 |
| ·CCA 表示与求解 | 第35-37页 |
| ·判别学习算法 | 第37-38页 |
| ·多尺度特征融合 | 第38-40页 |
| ·递增学习方法 | 第40-43页 |
| ·递增线性判别分析(ILDA) | 第40-41页 |
| ·递增判别典型相关分析(IDCC) | 第41-43页 |
| ·本章小结 | 第43-45页 |
| 第3章 基于张量和典型相关分析的行为识别算法 | 第45-59页 |
| ·引言 | 第45-46页 |
| ·已有研究工作介绍 | 第46-49页 |
| ·张量空间 | 第46-47页 |
| ·判别的典型相关分析 | 第47-49页 |
| ·方法框架 | 第49-50页 |
| ·张量空间中的典型相关分析算法 | 第50-51页 |
| ·基于典型相关分析的张量判别分析算法 | 第51-54页 |
| ·实验和分析 | 第54-58页 |
| ·参数设定 | 第55-56页 |
| ·鲁棒性实验与分析 | 第56-58页 |
| ·本章小结 | 第58-59页 |
| 第4章 基于递增的判别张量的行为识别算法 | 第59-69页 |
| ·引言 | 第59页 |
| ·已有张量递增算法介绍 | 第59-60页 |
| ·基于递增学习的判别张量降维算法 | 第60-63页 |
| ·IMDCC 算法介绍 | 第60-61页 |
| ·聚合性分析 | 第61-63页 |
| ·实验与分析 | 第63-68页 |
| ·参数设定 | 第63-64页 |
| ·时间复杂度分析 | 第64页 |
| ·Weizmann 行为数据库上的实验 | 第64-67页 |
| ·鲁棒性实验与分析 | 第67-68页 |
| ·本章小结 | 第68-69页 |
| 第5章 基于多尺度特征和判别张量的行为识别算法 | 第69-83页 |
| ·引言 | 第69-70页 |
| ·基于多尺度特征的行为识别算法 | 第70-72页 |
| ·贝叶斯分层网络 | 第70-71页 |
| ·隐马尔科夫模型 | 第71-72页 |
| ·基于多尺度特征和判别张量的行为识别算法 | 第72-77页 |
| ·大尺度特征 | 第73页 |
| ·中尺度特征 | 第73页 |
| ·小尺度特征 | 第73-74页 |
| ·算法流程 | 第74-77页 |
| ·时间复杂度 | 第77页 |
| ·实验与分析 | 第77-81页 |
| ·理想数据库 | 第77-79页 |
| ·KTH 数据库 | 第79-81页 |
| ·本章小结 | 第81-83页 |
| 第6章 基于张量的多判别融合算法在视觉分析上的应用 | 第83-105页 |
| ·引言 | 第83-84页 |
| ·相关工作 | 第84-85页 |
| ·基于判别模式的典型相关分析 | 第85-86页 |
| ·张量空间中的多判别融合算法 | 第86-89页 |
| ·实验与分析 | 第89-103页 |
| ·行为识别 | 第89-96页 |
| ·目标识别上的应用 | 第96-98页 |
| ·人脸识别上的应用 | 第98-103页 |
| ·本章小结 | 第103-105页 |
| 第7章 结论 | 第105-107页 |
| ·本文工作总结 | 第105-106页 |
| ·未来工作展望 | 第106-107页 |
| 参考文献 | 第107-113页 |
| 作者简介及在学期间所取得的科研成果 | 第113-115页 |
| 致谢 | 第115页 |