| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 课题背景及研究的目的和意义 | 第9-10页 |
| 1.2 智能视频监控及行为识别的发展概况 | 第10-17页 |
| 1.2.1 视频监控的发展现状 | 第11-12页 |
| 1.2.2 行为识别的发展现状 | 第12-16页 |
| 1.2.3 深度学习及其在行为识别中的应用 | 第16-17页 |
| 1.3 本文的主要研究内容 | 第17-18页 |
| 1.4 本文结构安排 | 第18-19页 |
| 第2章 行为识别中的特征提取 | 第19-37页 |
| 2.1 人工特征提取方法 | 第19-26页 |
| 2.1.1 人工静态特征提取 | 第19-22页 |
| 2.1.2 人工动态特征提取 | 第22-23页 |
| 2.1.3 人工复合特征提取 | 第23-26页 |
| 2.1.4 人工特征提取方法分析 | 第26页 |
| 2.2 深度学习特征提取方法 | 第26-36页 |
| 2.2.1 深度卷积神经网络的结构 | 第27-29页 |
| 2.2.2 DCNN的计算与训练 | 第29-32页 |
| 2.2.3 DCNN特征提取的特点 | 第32-33页 |
| 2.2.4 DCNN在动态特征提取中的应用 | 第33页 |
| 2.2.5 深度学习框架Caffe介绍 | 第33-36页 |
| 2.3 本章小结 | 第36-37页 |
| 第3章 双通道深度卷积神经网络的结构设计 | 第37-51页 |
| 3.1 双通道DCNN行为识别的基本思想 | 第37-38页 |
| 3.2 双通道DCNN网络总体结构设计 | 第38-42页 |
| 3.2.1 时间通道网络光流信息预提取 | 第38-41页 |
| 3.2.2 时间通道网络光流信息的表达 | 第41-42页 |
| 3.3 双通道DCNN双通道网络具体设计 | 第42-50页 |
| 3.3.1 各层网络结构设计 | 第42-46页 |
| 3.3.2 双通道DCNN网络结构特点分析 | 第46-47页 |
| 3.3.3 VGGNET16网络的预训练 | 第47-50页 |
| 3.4 本章小结 | 第50-51页 |
| 第4章 双通道深度卷积神经网络特征融合方法设计 | 第51-62页 |
| 4.1 优先视频特征提取的融合方法 | 第51-55页 |
| 4.1.1 双通道网络单帧特征 | 第51-52页 |
| 4.1.2 双通道网络视频特征提取 | 第52-53页 |
| 4.1.3 视频静态特征与动态特征的融合 | 第53-55页 |
| 4.2 优先静态特征与动态特征融合的融合方法 | 第55-58页 |
| 4.2.1 单帧综合特征的融合 | 第55-57页 |
| 4.2.2 视频综合特征的提取 | 第57-58页 |
| 4.3 直接视频特征融合方法 | 第58-59页 |
| 4.4 不同特征融合方法的比较 | 第59-61页 |
| 4.4.1 基于双通道DCNN进行特征融合的方法比较 | 第59-60页 |
| 4.4.2 与单通道特征提取方法结果的比较 | 第60-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第5章 基于具体数据集的实验及结果分析 | 第62-76页 |
| 5.1 引言 | 第62页 |
| 5.2 基于KTH行为数据集的实验 | 第62-71页 |
| 5.2.1 KTH行为数据集介绍 | 第62-63页 |
| 5.2.2 特征提取实验结果 | 第63-69页 |
| 5.2.3 特征融合实验结果 | 第69-70页 |
| 5.2.4 实验结果评价 | 第70-71页 |
| 5.3 基于监控视频数据集的实验 | 第71-75页 |
| 5.3.1 监控视频数据集介绍 | 第71-72页 |
| 5.3.2 应用检测策略的行为识别 | 第72-74页 |
| 5.3.3 实验结果分析 | 第74-75页 |
| 5.4 本章小结 | 第75-76页 |
| 结论 | 第76-78页 |
| 参考文献 | 第78-84页 |
| 攻读硕士学位期间发表的论文 | 第84-86页 |
| 致谢 | 第86页 |