| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 引言 | 第11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 人物行为识别技术研究难点 | 第13-14页 |
| 1.3.1 静态背景下运动轨迹的提取 | 第13页 |
| 1.3.2 动态背景下运动轨迹的提取 | 第13-14页 |
| 1.3.3 识别模型的设计 | 第14页 |
| 1.4 本文主要研究内容 | 第14-16页 |
| 第2章 人物行为识别方法概述 | 第16-21页 |
| 2.1 人物行为特征描述方法 | 第16-17页 |
| 2.2 人物行为识别模型建立方法 | 第17-19页 |
| 2.3 模板匹配方法 | 第19页 |
| 2.4 本文算法研究概述 | 第19-20页 |
| 2.5 本章小结 | 第20-21页 |
| 第3章 CUDA多线程编程原理及开发方法 | 第21-31页 |
| 3.1 GPU通用计算 | 第21-23页 |
| 3.2 CUDA基本介绍 | 第23页 |
| 3.3 CUDA的编程模型 | 第23-25页 |
| 3.4 CUDA架构 | 第25-26页 |
| 3.5 CUDA线程层次结构 | 第26-28页 |
| 3.6 CUDA存储器 | 第28-30页 |
| 3.7 CUDA编程步骤 | 第30页 |
| 3.8 本章小结 | 第30-31页 |
| 第4章 人物行为识别算法研究 | 第31-49页 |
| 4.1 静态背景下的人物轨迹特征提取算法研究 | 第31-36页 |
| 4.1.1 EBM法提出的理论依据 | 第31-32页 |
| 4.1.2 EBM法原理介绍 | 第32-35页 |
| 4.1.3 算法效果分析 | 第35-36页 |
| 4.2 动态背景下的人物模板匹配与跟踪算法研究 | 第36-44页 |
| 4.2.1 算法提出的背景 | 第36-37页 |
| 4.2.2 基于排他性块匹配法的模板匹配 | 第37-41页 |
| 4.2.3 基于视觉特征约束和结构约束的模板匹配 | 第41页 |
| 4.2.4 采用遗传算法来优化问题的解决方案 | 第41-43页 |
| 4.2.5 动态背景下轨迹特征的提取 | 第43-44页 |
| 4.3 基于CHOT法的动作特征描述 | 第44-47页 |
| 4.3.1 CHOT法提出的理论依据 | 第44-46页 |
| 4.3.2 CHOT特征描述原理 | 第46-47页 |
| 4.4 本章小结 | 第47-49页 |
| 第5章 人物行为识别算法的CUDA并行实现与优化 | 第49-61页 |
| 5.1 基于CUDA的代价矩阵计算 | 第49-50页 |
| 5.2 基于CUDA的遗传算法并行实现 | 第50-60页 |
| 5.2.1 算法简介 | 第51-52页 |
| 5.2.2 初始化总群 | 第52页 |
| 5.2.3 顺序交叉 | 第52-57页 |
| 5.2.4 交换突变 | 第57-58页 |
| 5.2.5 适应度计算和选择淘汰 | 第58-60页 |
| 5.3 本章小结 | 第60-61页 |
| 第6章 识别模型建立和实验结果 | 第61-78页 |
| 6.1 静态背景下人物行为识别系统的实现及结果分析 | 第61-70页 |
| 6.1.1 人物行为识别系统流程 | 第61-62页 |
| 6.1.2 实验环境和参数 | 第62-64页 |
| 6.1.3 实验过程 | 第64-68页 |
| 6.1.4 实验结果分析与对比 | 第68-69页 |
| 6.1.5 CUDA加速前后速度比较 | 第69-70页 |
| 6.2 动态背景下人物分割与跟踪的实现及实验结果 | 第70-76页 |
| 6.2.1 实验环境和参数 | 第70-71页 |
| 6.2.2 通过优化视觉特征距离和结构距离的改进的实验结果 | 第71-72页 |
| 6.2.3 不同遗传算法参数下的比较 | 第72-74页 |
| 6.2.4 本文算法与现有匹配算法比较 | 第74-75页 |
| 6.2.5 CUDA加速前后速度比较 | 第75-76页 |
| 6.3 本章小结 | 第76-78页 |
| 第7章 总结与展望 | 第78-80页 |
| 7.1 总结 | 第78页 |
| 7.2 展望 | 第78-80页 |
| 致谢 | 第80-81页 |
| 参考文献 | 第81-86页 |
| 附录 | 第86页 |