| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题研究的背景及意义 | 第11-12页 |
| 1.2 课题研究现状与存在的问题 | 第12-15页 |
| 1.2.1 基于人工设计特征的人体行为识别 | 第12-13页 |
| 1.2.2 基于深度学习的人体行为识别 | 第13-14页 |
| 1.2.3 存在的问题 | 第14-15页 |
| 1.3 课题主要研究内容 | 第15页 |
| 1.4 论文的组织结构 | 第15-17页 |
| 第2章 卷积神经网络相关理论 | 第17-26页 |
| 2.1 卷积神经网络概述 | 第17-18页 |
| 2.2 卷积神经网络结构模型 | 第18-21页 |
| 2.2.1 基本结构 | 第18-19页 |
| 2.2.2 网络结构参数设计原则 | 第19-20页 |
| 2.2.3 LeNet-5模型 | 第20-21页 |
| 2.3 网络的训练与测试 | 第21-23页 |
| 2.3.1 BP算法 | 第21-22页 |
| 2.3.2 卷积神经网络的训练与测试 | 第22页 |
| 2.3.3 Softmax分类器 | 第22-23页 |
| 2.4 在图像识别领域应用成功的CNN模型 | 第23-24页 |
| 2.5 本章小结 | 第24-26页 |
| 第3章 时空卷积神经网络的方法研究 | 第26-34页 |
| 3.1 人体运动关键区域提取 | 第26-28页 |
| 3.1.1 基于高斯混合模型的运动目标检测 | 第26-27页 |
| 3.1.2 实验结果与分析 | 第27-28页 |
| 3.2 基于时空卷积神经网络的人体行为识别 | 第28-33页 |
| 3.2.1 时空卷积层 | 第28-29页 |
| 3.2.2 灰度单通道时空卷积神经网络 | 第29-30页 |
| 3.2.3 RGB三通道时空卷积神经网络 | 第30-31页 |
| 3.2.4 实验结果与分析 | 第31-33页 |
| 3.3 本章小结 | 第33-34页 |
| 第4章 基于四元数时空卷积神经网络的人体行为识别 | 第34-42页 |
| 4.1 四元数 | 第34-35页 |
| 4.2 四元数时空卷积神经网络 | 第35-38页 |
| 4.2.1 四元数空间卷积层 | 第36页 |
| 4.2.2 时间卷积层和下采样层 | 第36-37页 |
| 4.2.3 网络的整体结构 | 第37-38页 |
| 4.3 实验结果与分析 | 第38-41页 |
| 4.3.1 Weizmann数据集实验结果及分析 | 第38-39页 |
| 4.3.2 UCFsports数据集实验结果及分析 | 第39-41页 |
| 4.4 本章小结 | 第41-42页 |
| 第5章 基于QST-CNN和LSTM的人体行为识别 | 第42-50页 |
| 5.1 LSTM网络 | 第42-43页 |
| 5.2 基于QST-CNN和LSTM的人体行为识别 | 第43-45页 |
| 5.2.1 QST-CNN和LSTM的组合结构 | 第43-44页 |
| 5.2.2 基于Dropout方法的网络优化 | 第44-45页 |
| 5.3 实验结果与分析 | 第45-49页 |
| 5.3.1 Weizmann数据集实验结果及分析 | 第46-47页 |
| 5.3.2 UCFsports数据集实验结果及分析 | 第47-49页 |
| 5.4 本章小结 | 第49-50页 |
| 结论 | 第50-52页 |
| 参考文献 | 第52-56页 |
| 攻读硕士学位期间发表的论文及其它成果 | 第56-57页 |
| 致谢 | 第57页 |
