| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 序言 | 第8-11页 |
| 1 引言 | 第11-19页 |
| 1.1 研究背景与意义 | 第11-13页 |
| 1.2 研究现状 | 第13-17页 |
| 1.3 本文的研究内容及结构安排 | 第17-19页 |
| 1.3.1 研究内容 | 第17-18页 |
| 1.3.2 结构安排 | 第18-19页 |
| 2 目标检测和目标分类方法概述 | 第19-35页 |
| 2.1 特征表示 | 第19-26页 |
| 2.1.1 颜色特征 | 第19-21页 |
| 2.1.2 纹理特征 | 第21-23页 |
| 2.1.3 HOG特征 | 第23-24页 |
| 2.1.4 Haar特征 | 第24-26页 |
| 2.2 分类方法 | 第26-32页 |
| 2.2.1 支持向量机(SVM) | 第26-28页 |
| 2.2.2 决策树 | 第28-30页 |
| 2.2.3 ADABOOST | 第30-32页 |
| 2.3 卷积神经网络(CNN) | 第32-34页 |
| 2.4 本章小结 | 第34-35页 |
| 3 基于通道特征的人体检测方法 | 第35-49页 |
| 3.1 积分通道特征 | 第35-37页 |
| 3.2 基于积分通道特征的改进方法 | 第37-42页 |
| 3.2.1 聚合通道特征 | 第37-40页 |
| 3.2.2 滤波通道特征 | 第40-42页 |
| 3.3 基于通道特征的人体检测 | 第42-48页 |
| 3.3.1 评估标准及数据集 | 第43-45页 |
| 3.3.2 实验结果及分析 | 第45-48页 |
| 3.4 本章小结 | 第48-49页 |
| 4 面向运动视频流中动作识别的目标分类方法 | 第49-64页 |
| 4.1 自然场景下的运动 | 第50-51页 |
| 4.2 基于ACF的运动视频单帧图像分类 | 第51-55页 |
| 4.2.1 人体检测及定位 | 第51-52页 |
| 4.2.2 动作分类 | 第52-55页 |
| 4.3 基于单帧图像分类的运动视频行为识别方法 | 第55-57页 |
| 4.4 实验结果及分析 | 第57-61页 |
| 4.4.1 数据集 | 第57页 |
| 4.4.2 归一化特征对元分类器准确率的影响 | 第57-59页 |
| 4.4.3 特征融合方式对元分类器准确率的影响 | 第59-60页 |
| 4.4.4 滑动窗口大小及步长对元分类器准确率的影响 | 第60-61页 |
| 4.5 实时运动行为识别系统 | 第61-62页 |
| 4.6 本章小结 | 第62-64页 |
| 5 总结与展望 | 第64-66页 |
| 5.1 总结 | 第64-65页 |
| 5.2 展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第70-72页 |
| 学位论文数据集 | 第72页 |