| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 人体行为识别研究现状 | 第13-17页 |
| 1.2.2 存在的问题与挑战 | 第17页 |
| 1.3 本文主要研究内容 | 第17-19页 |
| 1.4 本文章节安排 | 第19-20页 |
| 1.5 本章小结 | 第20-21页 |
| 第二章 基于二维注意力卷积神经网络的人体行为识别 | 第21-37页 |
| 2.1 双流卷积神经网络 | 第21-24页 |
| 2.1.1 二维卷积神经网络 | 第21-23页 |
| 2.1.2 双流卷积神经网络 | 第23-24页 |
| 2.2 引入注意力机制的二维卷积神经网络 | 第24-28页 |
| 2.2.1 注意力机制 | 第24-26页 |
| 2.2.2 改进的Inception-V3网络结构 | 第26-28页 |
| 2.3 实验设计与结果分析 | 第28-34页 |
| 2.3.1 实验数据集 | 第28-29页 |
| 2.3.2 实验环境与参数设置 | 第29-30页 |
| 2.3.3 数据预处理实验 | 第30-33页 |
| 2.3.4 网络结构实验 | 第33-34页 |
| 2.4 本章小结 | 第34-37页 |
| 第三章 基于三维残差卷积神经网络的人体行为识别 | 第37-47页 |
| 3.1 三维卷积神经网络 | 第37-40页 |
| 3.1.1 三维卷积操作 | 第38-39页 |
| 3.1.2 三维池化操作 | 第39页 |
| 3.1.3 C3D卷积神经网络 | 第39-40页 |
| 3.2 基于残差结构的三维卷积神经网络 | 第40-43页 |
| 3.2.1 三维残差结构 | 第40-42页 |
| 3.2.2 全局平均池化 | 第42页 |
| 3.2.3 基于残差的三维卷积神经网络结构 | 第42-43页 |
| 3.3 实验设计与结果分析 | 第43-45页 |
| 3.3.1 实验数据集 | 第44页 |
| 3.3.2 实验环境与训练参数 | 第44页 |
| 3.3.3 数据帧长实验 | 第44页 |
| 3.3.4 残差结构实验 | 第44-45页 |
| 3.3.5 网络结构实验 | 第45页 |
| 3.4 本章小结 | 第45-47页 |
| 第四章 基于多流卷积神经网络的人体行为识别 | 第47-55页 |
| 4.1 多流卷积神经网络 | 第47-49页 |
| 4.1.1 多模态数据输入 | 第47-48页 |
| 4.1.2 多流卷积神经网络架构 | 第48-49页 |
| 4.2 基于权重的网络融合 | 第49-52页 |
| 4.2.1 基于模型权重的网络融合 | 第49-50页 |
| 4.2.2 基于类别权重的网络融合 | 第50-52页 |
| 4.3 实验设计与结果分析 | 第52-53页 |
| 4.3.1 实验数据集 | 第52页 |
| 4.3.2 实验环境与训练参数 | 第52页 |
| 4.3.3 网络融合实验 | 第52-53页 |
| 4.3.4 算法对比实验 | 第53页 |
| 4.4 本章小结 | 第53-55页 |
| 第五章 驾驶员行为监控预警机制与原型系统的设计实现 | 第55-69页 |
| 5.1 系统需求分析 | 第55页 |
| 5.2 系统总体设计 | 第55-58页 |
| 5.2.1 系统流程设计 | 第56页 |
| 5.2.2 系统架构设计 | 第56-58页 |
| 5.3 系统功能实现 | 第58-62页 |
| 5.3.1 驾驶员行为监控预警机制 | 第58-61页 |
| 5.3.2 系统前端可视化 | 第61-62页 |
| 5.4 系统测试 | 第62-67页 |
| 5.4.1 系统展示 | 第62-64页 |
| 5.4.2 驾驶员行为数据集 | 第64-65页 |
| 5.4.3 实验环境与参数 | 第65-66页 |
| 5.4.4 算法性能分析 | 第66-67页 |
| 5.5 本章小结 | 第67-69页 |
| 第六章 总结与展望 | 第69-71页 |
| 6.1 论文工作总结 | 第69-70页 |
| 6.2 未来工作展望 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-77页 |
| 攻读学位期间发表的学术论文目录 | 第77页 |