| 摘要 | 第4-5页 |
| Summary | 第5-7页 |
| 第一章 绪论 | 第7-16页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-14页 |
| 1.2.1 传统特征提取与分类方法 | 第8-11页 |
| 1.2.2 基于深度学习的方法 | 第11-13页 |
| 1.2.3 交互行为识别数据库 | 第13-14页 |
| 1.3 本文研究的主要内容及贡献 | 第14-15页 |
| 1.4 论文结构安排 | 第15-16页 |
| 第二章 行为识别中的卷积神经网络理论 | 第16-26页 |
| 引言 | 第16页 |
| 2.1 经典神经网络的前馈运算与反馈运算 | 第16-18页 |
| 2.1.1 前馈运算 | 第17页 |
| 2.1.2 反馈运算 | 第17-18页 |
| 2.2 卷积神经网络概述 | 第18-24页 |
| 2.2.1 卷积神经网络层级结构 | 第19-23页 |
| 2.2.2 卷积神经网络训练算法 | 第23-24页 |
| 2.3 基于3D卷积神经网络的行为识别 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于图像增强和CNN的交互行为识别 | 第26-37页 |
| 引言 | 第26页 |
| 3.1 VGG模型 | 第26-28页 |
| 3.1.1 VGG网络结构 | 第26-28页 |
| 3.2 颜色空间 | 第28-32页 |
| 3.2.1 RGB颜色空间 | 第28-30页 |
| 3.2.2 HSV颜色空间 | 第30-31页 |
| 3.2.3 RGB和 HSV转换关系 | 第31-32页 |
| 3.3 基于HSV颜色空间的图像增强算法 | 第32-33页 |
| 3.3.1 图像增强 | 第32页 |
| 3.3.2 视频帧增强算法 | 第32-33页 |
| 3.4 实验结果与分析 | 第33-35页 |
| 3.4.1 扩充数据集与图像增强 | 第34页 |
| 3.4.2 VGG16 训练与测试 | 第34-35页 |
| 3.5 本章小结 | 第35-37页 |
| 第四章 基于多尺度特征融合和LSTM的交互行为识别 | 第37-46页 |
| 引言 | 第37页 |
| 4.1 卷积神经网络全连接层特征提取 | 第37-38页 |
| 4.1.1 AlexNet特征提取 | 第37-38页 |
| 4.2 循环神经网络 | 第38-41页 |
| 4.2.1 简单循环神经网络模型结构 | 第38-39页 |
| 4.2.2 循环神经网络的前向传播 | 第39-40页 |
| 4.2.3 循环神经网络的反向传播算法 | 第40-41页 |
| 4.3 长短时记忆网络 | 第41-42页 |
| 4.4 基于多尺度特征融合和LSTM的交互行为识别 | 第42-43页 |
| 4.5 实验结果与分析 | 第43-44页 |
| 4.5.1 实验一是否融合CNN特征对双人交互行为识别率的影响 | 第43-44页 |
| 4.5.2 实验二LSTM层数对交互行为识别率的影响 | 第44页 |
| 4.6 本章小结 | 第44-46页 |
| 第五章 总结与展望 | 第46-47页 |
| 致谢 | 第47-48页 |
| 参考文献 | 第48-53页 |
| 附录 | 第53-54页 |
| 图版 | 第54-56页 |
