| 摘要 | 第4-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第11-20页 |
| 1.1 研究背景与意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.3 行为识别面临的问题 | 第16-18页 |
| 1.4 本文工作 | 第18页 |
| 1.5 本文结构 | 第18-20页 |
| 第2章 图像预处理方法 | 第20-27页 |
| 2.1 图像预处理 | 第20-21页 |
| 2.2 图像噪声分类 | 第21-22页 |
| 2.3 图像降噪 | 第22-25页 |
| 2.4 图像增强技术 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 目标检测与特征提取 | 第27-38页 |
| 3.1 运动目标检测 | 第27-29页 |
| 3.1.1 帧间差分法 | 第27-28页 |
| 3.1.2 背景减除法 | 第28页 |
| 3.1.3 光流法 | 第28-29页 |
| 3.2 特征描述子 | 第29-35页 |
| 3.2.1 梯度直方图特征 | 第29-32页 |
| 3.2.2 光流直方图特征 | 第32-34页 |
| 3.2.3 运动边界直方图特征 | 第34-35页 |
| 3.3 改进的密集轨迹特征 | 第35-37页 |
| 3.3.1 密集轨迹采样 | 第36页 |
| 3.3.2 轨迹描述子 | 第36-37页 |
| 3.3.3 运动结构描述子 | 第37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章 基于视频时间序列建模的研究与改进 | 第38-52页 |
| 4.1 视频时间序列建模的方法 | 第38-39页 |
| 4.2 VideoDarwin基于视频外观随时间演化信息的建模原理 | 第39-43页 |
| 4.2.1 VideoDarwin的范化 | 第41-42页 |
| 4.2.2 VideoDarwin的向量值函数 | 第42-43页 |
| 4.3 VideoDarwin和人工神经网络组合方法的提出 | 第43-51页 |
| 4.3.1 SVM分类器及其不足 | 第43-45页 |
| 4.3.2 人工神经网络 | 第45-48页 |
| 4.3.3 神经网络的防过拟合机制 | 第48-51页 |
| 4.3.4 VideoDarwin神经网络组合模型 | 第51页 |
| 4.4 本章小结 | 第51-52页 |
| 第5章 基于改进的VideoDarwin的人体行为识别 | 第52-63页 |
| 5.1 人体行为识别数据集 | 第52-53页 |
| 5.2 神经网络分类器 | 第53-54页 |
| 5.3 基于改进的VideoDarwin的人体行为识别 | 第54-58页 |
| 5.3.1 本文实验数据集 | 第55页 |
| 5.3.2 特征选取 | 第55页 |
| 5.3.3 视频特征编码 | 第55-57页 |
| 5.3.4 实验设置 | 第57-58页 |
| 5.4 实验结果分析 | 第58-62页 |
| 5.4.1 本文方法多种设置下的实验分析 | 第58-59页 |
| 5.4.2 本文方法和部分方法的对比分析 | 第59-62页 |
| 5.5 本章小结 | 第62-63页 |
| 第6章 总结与展望 | 第63-65页 |
| 6.1 本文工作总结 | 第63-64页 |
| 6.2 工作展望 | 第64-65页 |
| 参考文献 | 第65-70页 |
| 作者简介及在学期间所取得的科研成果 | 第70-71页 |
| 致谢 | 第71页 |
