| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 课题背景及研究的目的和意义 | 第8-9页 |
| 1.2 动作分类与异常行为分类相关技术发展概况 | 第9-11页 |
| 1.2.1 国外相关技术的发展概况 | 第9-10页 |
| 1.2.2 国内相关技术的发展概况 | 第10-11页 |
| 1.2.3 国内外文献综述的简析 | 第11页 |
| 1.3 本文主要研究工作 | 第11-12页 |
| 1.4 本文的结构 | 第12-13页 |
| 第2章 目标检测及异常行为分类相关算法的研究 | 第13-23页 |
| 2.1 引言 | 第13页 |
| 2.2 运动目标检测及光流特征的选择 | 第13-17页 |
| 2.2.1 运动目标检测相关特征介绍 | 第13-15页 |
| 2.2.2 光流法介绍 | 第15-17页 |
| 2.3 卷积神经网络介绍 | 第17-22页 |
| 2.3.1 卷积层与池化层 | 第18-20页 |
| 2.3.2 Softmax分类 | 第20-21页 |
| 2.3.3 常用的深度学习网络框架 | 第21-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第3章 光流特征以及双流CNN的研究与改进 | 第23-38页 |
| 3.1 自适应光流法的设计与实现 | 第23-30页 |
| 3.1.1 Brox光流计算 | 第24页 |
| 3.1.2 光流矢量的特征构建与图像表示 | 第24-27页 |
| 3.1.3 关键光流图像帧的筛选 | 第27-28页 |
| 3.1.4 自适应光流算法实现 | 第28-30页 |
| 3.2 改进的双流CNN网络的架构 | 第30-36页 |
| 3.2.1 基本网络结构 | 第30-31页 |
| 3.2.2 网络预训练 | 第31-32页 |
| 3.2.3 网络具体结构 | 第32-33页 |
| 3.2.4 图像数据样本增益 | 第33-34页 |
| 3.2.5 Dropout的调整 | 第34-35页 |
| 3.2.6 Batch Normalization层的加入 | 第35-36页 |
| 3.2.7 多帧融合和多模型融合 | 第36页 |
| 3.3 本章小结 | 第36-38页 |
| 第4章 改进双流CNN进行异常行为分类实验分析 | 第38-51页 |
| 4.1 引言 | 第38页 |
| 4.2 系统实验条件 | 第38-41页 |
| 4.3 UCF-101 上动作识别结果分析 | 第41-46页 |
| 4.3.1 使用单帧RGB图像与光流图像的实验结果对比 | 第41-42页 |
| 4.3.2 光流图像过滤效果比较 | 第42-43页 |
| 4.3.3 自适应光流图像效果比较 | 第43-45页 |
| 4.3.4 多通道光流图像效果比较 | 第45-46页 |
| 4.4 不同网络进行异常行为分类效果对比 | 第46-48页 |
| 4.4.1 不同深度网络学习效果对比 | 第46-47页 |
| 4.4.2 改变Dropout对网络学习的影响 | 第47-48页 |
| 4.5 分类效果分析 | 第48-50页 |
| 4.6 本章小结 | 第50-51页 |
| 结论 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 攻读学位期间发表的学术论文 | 第56-58页 |
| 致谢 | 第58页 |