摘要 | 第3-5页 |
abstract | 第5-6页 |
1 绪论 | 第9-15页 |
1.1 课题研究的背景及意义 | 第9-10页 |
1.2 国内外研究现状 | 第10-12页 |
1.2.1 全局特征 | 第10-11页 |
1.2.2 局部特征 | 第11页 |
1.2.3 深度学习特征 | 第11-12页 |
1.2.4 融合特征 | 第12页 |
1.3 课题研究内容 | 第12-13页 |
1.4 论文的结构安排 | 第13-15页 |
2 行为识别相关方法 | 第15-27页 |
2.1 基于传统机器学习方法的人体行为识别方法 | 第15-22页 |
2.1.1 基于图像特征的行为识别 | 第15-16页 |
2.1.2 基于时空局部兴趣点特征的行为识别 | 第16页 |
2.1.3 基于轨迹特征方法的行为识别 | 第16-22页 |
2.2 基于深度学习方法的人体行为识别方法 | 第22-24页 |
2.2.1 基于双流卷积神经网络行为识别方法 | 第22-23页 |
2.2.2 基于 3D卷积神经网络行为识别方法 | 第23-24页 |
2.3 人体行为识别相关数据集介绍 | 第24-26页 |
2.4 本章小结 | 第26-27页 |
3 基于显著性的时域分割双流卷积神经网络 | 第27-41页 |
3.1 基于时域分割双流卷积神经网络的行为识别 | 第28-35页 |
3.1.1 基于Inception V2的双流卷积神经网络 | 第28-30页 |
3.1.2 样本数据扩充 | 第30-31页 |
3.1.3 基于时域分割的卷积神经网络学习 | 第31-35页 |
3.2 基于显著性的时域分割双流网络结构模型 | 第35-38页 |
3.2.1 显著性模型介绍 | 第35页 |
3.2.2 基于显著性的双流卷积网络 | 第35-38页 |
3.3 双流卷积网络和显著性网络的结果与分析 | 第38-39页 |
3.3.1 模型的测试及结果分析 | 第38-39页 |
3.3.2 模型的融合及结果分析 | 第39页 |
3.4 本章小结 | 第39-41页 |
4 基于特征融合的行为识别 | 第41-51页 |
4.1 基于密集轨迹的特征提取 | 第41-42页 |
4.2 基于双流卷积神经网络的特征提取 | 第42-44页 |
4.3 特征融合 | 第44-45页 |
4.4 SVM分类 | 第45-46页 |
4.5 实验结果与分析 | 第46-49页 |
4.5.1 实验环境 | 第46页 |
4.5.2 实验结果与分析 | 第46-49页 |
4.6 本章总结 | 第49-51页 |
5 总结与展望 | 第51-53页 |
5.1 本文的工作总结 | 第51-52页 |
5.2 展望 | 第52-53页 |
致谢 | 第53-55页 |
参考文献 | 第55-58页 |