| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 引言 | 第8页 |
| 1.2 研究背景及意义 | 第8-9页 |
| 1.3 国内外研究现状 | 第9-13页 |
| 1.3.1 人体行为识别的分析框架 | 第9-10页 |
| 1.3.2 运动区域检测研究现状 | 第10-11页 |
| 1.3.3 行为建模研究现状 | 第11-12页 |
| 1.3.4 分类识别算法研究现状 | 第12-13页 |
| 1.4 本文研究内容和文章结构 | 第13-15页 |
| 1.4.1 论文研究内容 | 第13页 |
| 1.4.2 论文章节安排 | 第13-15页 |
| 第二章 光流法 | 第15-21页 |
| 2.1 运动场与光流场之间的关系 | 第15-16页 |
| 2.2 HS光流算法 | 第16-18页 |
| 2.3 L-K光流算法 | 第18-20页 |
| 2.3.1 经典L-K光流算法 | 第18-19页 |
| 2.3.2 金字塔L-K光流算法 | 第19-20页 |
| 2.4 本章小节 | 第20-21页 |
| 第三章 基于3D-HOG特征的人体行为识别 | 第21-37页 |
| 3.1 图像预处理 | 第21-24页 |
| 3.1.1 冗余视频的预处理 | 第21-22页 |
| 3.1.2 图像帧的灰度转换 | 第22-23页 |
| 3.1.3 灰度图像的二值化 | 第23-24页 |
| 3.2 运动目标检测 | 第24-31页 |
| 3.2.1 背景差分法 | 第24-28页 |
| 3.2.2 帧间差分法 | 第28-31页 |
| 3.3 3D-HOG特征提取 | 第31-34页 |
| 3.3.1 HOG特征提取 | 第31-32页 |
| 3.3.2 3D-HOG特征提取 | 第32-34页 |
| 3.3.3 运动区域的3D-HOG特征提取 | 第34页 |
| 3.4 实验结果与分析 | 第34-36页 |
| 3.5 本章小节 | 第36-37页 |
| 第四章 基于3D-SIFT特征的人体行为识别 | 第37-47页 |
| 4.1 特征类型简介 | 第37-40页 |
| 4.1.1 全局特征 | 第37-38页 |
| 4.1.2 局部特征 | 第38-40页 |
| 4.1.3 融合特征 | 第40页 |
| 4.2 SIFT特征提取与描述 | 第40-45页 |
| 4.2.1 SIFT特征提取 | 第41-44页 |
| 4.2.2 SIFT特征描述 | 第44-45页 |
| 4.3 3D-SIFT特征提取与描述 | 第45-46页 |
| 4.3.1 3D-SIFT特征点主方向的提取 | 第45页 |
| 4.3.2 3D-SIFT特征点的描述 | 第45-46页 |
| 4.4 实验结果与分析 | 第46页 |
| 4.5 本章小节 | 第46-47页 |
| 第五章 基于运动强度和方向直方图特征的人体行为识别 | 第47-60页 |
| 5.1 视频序列的空间归一化与时间归一化 | 第47-48页 |
| 5.2 光流强度和方向直方图特征提取 | 第48-50页 |
| 5.2.1 运动强度和方向直方图 | 第48-50页 |
| 5.2.2 加权光流直方图 | 第50页 |
| 5.3 行为分类器 | 第50-58页 |
| 5.3.1 行为分类器概述 | 第50-51页 |
| 5.3.2 支持向量机分类器 | 第51-56页 |
| 5.3.3 多特征融合分类器 | 第56-58页 |
| 5.4 实验结果与分析 | 第58-59页 |
| 5.5 本章小节 | 第59-60页 |
| 第六章 总结和展望 | 第60-62页 |
| 6.1 总结 | 第60页 |
| 6.2 展望 | 第60-62页 |
| 参考文献 | 第62-65页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第65-66页 |
| 致谢 | 第66页 |