| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第8-16页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 行为识别国内外研究现状 | 第9-13页 |
| 1.2.1 基于人工设计特征的方法 | 第9-12页 |
| 1.2.2 基于深度学习特征的方法 | 第12-13页 |
| 1.2.3 基于红外数据的行为识别方法 | 第13页 |
| 1.3 行为识别任务现存问题 | 第13-14页 |
| 1.4 本文的工作及组织结构 | 第14-16页 |
| 第2章 双模行为识别数据集 | 第16-30页 |
| 2.1 引言 | 第16页 |
| 2.2 现有行为识别数据集 | 第16-18页 |
| 2.3 双模行为识别数据集 | 第18-21页 |
| 2.4 双模数据集的评估 | 第21-28页 |
| 2.4.1 行为识别方法一般框架 | 第21页 |
| 2.4.2 常用编码方法 | 第21-22页 |
| 2.4.3 支持向量机 | 第22-24页 |
| 2.4.4 算法评价标准 | 第24页 |
| 2.4.5 几种代表性的描述子对双模数据集的评估 | 第24-26页 |
| 2.4.6 实验结果分析 | 第26-28页 |
| 2.5 本章小结 | 第28-30页 |
| 第3章 基于人工设计特征和深度学习特征的红外行为识别算法 | 第30-40页 |
| 3.1 引言 | 第30页 |
| 3.2 局部特征和深度学习特征的特性分析 | 第30-31页 |
| 3.3 基于人工设计特征和深度学习特征的红外行为识别算法 | 第31-37页 |
| 3.3.1 算法框架 | 第31-32页 |
| 3.3.2 加权密集轨迹特征 | 第32-34页 |
| 3.3.3 基于运动信息的卷积神经网络特征 | 第34-37页 |
| 3.4 实验结果分析 | 第37-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第4章 基于双模多特征融合的行为识别方法研究 | 第40-56页 |
| 4.1 引言 | 第40页 |
| 4.2 可见光和红外图像特性分析 | 第40-42页 |
| 4.3 基于双模多特征融合的行为识别方法 | 第42-49页 |
| 4.3.1 算法框架 | 第42-43页 |
| 4.3.2 卷积神经网络的训练微调 | 第43-45页 |
| 4.3.3 空间金字塔池化特征 | 第45-47页 |
| 4.3.4 自适应融合模型 | 第47-49页 |
| 4.4 实验结果分析 | 第49-55页 |
| 4.4.1 CNN微调前后实验结果对比 | 第50页 |
| 4.4.2 SPP特征与FC特征的对比 | 第50-51页 |
| 4.4.3 不同特征的互补性及不同融合方式的性能对比 | 第51-53页 |
| 4.4.4 本章算法与现有算法的对比 | 第53-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第5章 总结与展望 | 第56-58页 |
| 5.1 全文工作总结 | 第56-57页 |
| 5.2 后续研究工作展望 | 第57-58页 |
| 参考文献 | 第58-64页 |
| 致谢 | 第64-65页 |
| 攻读硕士期间从事的科研工作及取得的成果 | 第65页 |
