| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 选题依据和意义 | 第10-13页 |
| 1.1.1 行为识别的难点 | 第11-12页 |
| 1.1.2 行为识别的广泛应用 | 第12-13页 |
| 1.2 国内外研究现状及发展趋势 | 第13-16页 |
| 1.3 本文主要内容与结构安排 | 第16-17页 |
| 第二章 人体动作行为识别领域的相关工作 | 第17-25页 |
| 2.1 视频中的行为特征描述 | 第17-22页 |
| 2.1.1 基于形状的行为特征 | 第18-19页 |
| 2.1.2 基于运动的行为特征 | 第19页 |
| 2.1.3 几何人体特征 | 第19-20页 |
| 2.1.4 兴趣点特征 | 第20-22页 |
| 2.1.5 动态模型 | 第22页 |
| 2.2 人体行为识别中的行为分类 | 第22页 |
| 2.3 本章小结 | 第22-25页 |
| 第三章 特征提取与描述 | 第25-37页 |
| 3.1 全局特征的提取 | 第26-33页 |
| 3.1.1 构造基于多阈值像素转移比率图的全局描述符 | 第26-29页 |
| 3.1.2 构造基于边缘方向直方图的全局描述符 | 第29-32页 |
| 3.1.3 构造基于方向直方图的描述符 | 第32-33页 |
| 3.2 构造局域Cuboid特征 | 第33-35页 |
| 3.3 融合全局特征和局域特征 | 第35页 |
| 3.4 本章小节 | 第35-37页 |
| 第四章 对人体行为特征进行训练与识别的方法 | 第37-50页 |
| 4.1 特征编码 | 第37-41页 |
| 4.1.1 在线字典学习生成字典 | 第37-38页 |
| 4.1.2 局域约束线性编码 | 第38-41页 |
| 4.2 行为特征分类识别 | 第41-49页 |
| 4.2.1 支持向量机结合稀疏线性分类器的分类器 | 第42-46页 |
| 4.2.1.1 稀疏线性分类器 | 第42-44页 |
| 4.2.1.2 支持向量机 | 第44页 |
| 4.2.1.3 稀疏线性与支持向量机结合方法 | 第44-46页 |
| 4.2.2 其他识别方法 | 第46-49页 |
| 4.2.2.1 词频相反文件频率 | 第46-47页 |
| 4.2.2.2 隐含狄利克雷分布模型 | 第47-49页 |
| 4.3 本章小结 | 第49-50页 |
| 第五章 验证实验结果 | 第50-67页 |
| 5.1 常用视频数据库介绍 | 第50-52页 |
| 5.2 验证识别系统的方法介绍 | 第52-53页 |
| 5.3 基于Weizmann视频数据库的实验结果与分析 | 第53-56页 |
| 5.3.1 本文所提出方法的验证结果 | 第54页 |
| 5.3.2 与其他描述视频特征结果进行对比 | 第54-55页 |
| 5.3.3 与其他分类器结果进行对比 | 第55页 |
| 5.3.4 本文系统与其他文章方法实验结果对比 | 第55-56页 |
| 5.4 基于KTH视频数据库的实验结果与分析 | 第56-58页 |
| 5.4.1 本文所提出方法的验证结果 | 第56-57页 |
| 5.4.2 与其他描述视频特征结果进行对比 | 第57页 |
| 5.4.3 与其他分类器结果进行对比 | 第57-58页 |
| 5.4.4 本文系统与其他文章方法实验结果对比 | 第58页 |
| 5.5 基于UT-Tower视频数据库的实验结果与分析 | 第58-60页 |
| 5.6 基于YouTube视频数据库的实验结果与分析 | 第60页 |
| 5.7 各视频数据库识别结果展示 | 第60-66页 |
| 5.8 本章小结 | 第66-67页 |
| 第六章 工作总结与展望 | 第67-69页 |
| 6.1 工作总结 | 第67页 |
| 6.2 工作展望 | 第67-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-77页 |
| 攻硕期间的研究成果 | 第77页 |
