智能视频监控系统中的若干关键问题研究
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-10页 |
| 第一章 绪论 | 第16-38页 |
| 1.1 智能视频监控技术概述 | 第16-19页 |
| 1.2 课题来源及问题的提出 | 第19-20页 |
| 1.3 国内外研究现状 | 第20-35页 |
| 1.3.1 异常行为检测技术 | 第20-26页 |
| 1.3.1.1 检测技术分类 | 第21-24页 |
| 1.3.1.2 基于机器学习的识别模型技术 | 第24-26页 |
| 1.3.2 文本检测识别技术 | 第26-29页 |
| 1.3.3 人体行为识别技术 | 第29-35页 |
| 1.4 论文的主要内容及创新点 | 第35-36页 |
| 1.5 论文的章节安排 | 第36-38页 |
| 第二章 智能视频监控系统的架构与设计 | 第38-60页 |
| 2.1 系统的硬件架构 | 第38-48页 |
| 2.1.1 整体硬件架构 | 第38-41页 |
| 2.1.2 前端采集子系统 | 第41-42页 |
| 2.1.3 视频传输子系统 | 第42-45页 |
| 2.1.3.1 模拟交换干线环网系统 | 第42-43页 |
| 2.1.3.2 数字传输专网系统 | 第43-45页 |
| 2.1.4 视频存储子系统 | 第45-48页 |
| 2.1.4.1 存储架构技术 | 第46-47页 |
| 2.1.4.2 基础存储中心 | 第47页 |
| 2.1.4.3 备份存储中心 | 第47-48页 |
| 2.2 系统的软件架构 | 第48-59页 |
| 2.2.1 整体软件架构 | 第48页 |
| 2.2.2 基础功能层 | 第48-52页 |
| 2.2.2.1 视频联网管理模块 | 第48-50页 |
| 2.2.2.2 流媒体服务模块 | 第50-51页 |
| 2.2.2.3 用户权限管理模块 | 第51页 |
| 2.2.2.4 设备管理模块 | 第51-52页 |
| 2.2.3 视频图像基础分析层 | 第52-53页 |
| 2.2.3.1 特征提取模块 | 第52-53页 |
| 2.2.3.2 监控图像诊断模块 | 第53页 |
| 2.2.3.3 视频内容结构化模块 | 第53页 |
| 2.2.4 视频智能化分析层 | 第53-56页 |
| 2.2.4.1 异常行为分析模块 | 第54-55页 |
| 2.2.4.2 文本检测识别模块 | 第55-56页 |
| 2.2.4.3 人体行为识别模块 | 第56页 |
| 2.2.5 综合应用层 | 第56-59页 |
| 2.2.5.1 视频内容搜索模块 | 第56-57页 |
| 2.2.5.2 图像侦控模块 | 第57-58页 |
| 2.2.5.3 电子地图应用模块 | 第58-59页 |
| 2.3 本章小结 | 第59-60页 |
| 第三章 基于隐条件随机场的异常行为检测模型 | 第60-76页 |
| 3.1 异常行为检测 | 第60-61页 |
| 3.2 隐条件随机场模型理论 | 第61-62页 |
| 3.2.1 隐马尔可夫模型 | 第61页 |
| 3.2.2 条件随机场模型 | 第61-62页 |
| 3.2.3 隐条件随机场模型 | 第62页 |
| 3.3 行为特征提取与描述 | 第62-68页 |
| 3.3.1 运动标签 | 第62-64页 |
| 3.3.2 位置关系描述符 | 第64-65页 |
| 3.3.3 平均运动行为强度描述符 | 第65页 |
| 3.3.4 运动行为方向描述符 | 第65-66页 |
| 3.3.5 邻域相关性描述符 | 第66页 |
| 3.3.6 单位运动行为强度分布描述符 | 第66-68页 |
| 3.4 基于隐条件随机场的异常行为检测算法 | 第68-72页 |
| 3.4.1 基于隐条件随机场的检测模型 | 第68-71页 |
| 3.4.2 模型参数学习与异常行为识别 | 第71-72页 |
| 3.5 实验结果与分析 | 第72-75页 |
| 3.6 本章小结 | 第75-76页 |
| 第四章 基于群稀疏表示的异常行为检测技术 | 第76-95页 |
| 4.1 群稀疏表示 | 第76-79页 |
| 4.1.1 稀疏表示 | 第76-78页 |
| 4.1.2 群稀疏表示 | 第78-79页 |
| 4.2 运动行为特征提取与描述 | 第79-84页 |
| 4.2.1 光流计算 | 第79-81页 |
| 4.2.2 多尺度光流直方图 | 第81-84页 |
| 4.3 基于群稀疏表示的异常行为检测算法 | 第84-89页 |
| 4.3.1 基于群稀疏的异常行为检测表示模型 | 第85-86页 |
| 4.3.2 最优化求解算法 | 第86-87页 |
| 4.3.3 字典学习 | 第87-89页 |
| 4.3.4 群稀疏重构代价 | 第89页 |
| 4.4 实验结果与分析 | 第89-94页 |
| 4.5 本章小结 | 第94-95页 |
| 第五章 基于形状上下文的文本检测与识别算法 | 第95-109页 |
| 5.1 基于形状上下文特征描述符 | 第95-96页 |
| 5.2 基于主动轮廓的文本区域快速检测算法 | 第96-102页 |
| 5.2.1 文本范围定位 | 第96-98页 |
| 5.2.2 字符轮廓提取 | 第98-100页 |
| 5.2.3 字符轮廓细化 | 第100-102页 |
| 5.3 基于形状上下文的文本识别算法 | 第102-105页 |
| 5.3.1 基于形状上下文的字符特征表示 | 第103-104页 |
| 5.3.2 字符文本识别 | 第104-105页 |
| 5.4 实验结果与分析 | 第105-108页 |
| 5.5 本章小结 | 第108-109页 |
| 第六章 基于非线性尺度空间的人体行为识别算法 | 第109-138页 |
| 6.1 基于局部时空特征的人体行为识别 | 第109-117页 |
| 6.1.1 时空特征提取 | 第110-112页 |
| 6.1.2 时空特征描述 | 第112-117页 |
| 6.2 尺度空间理论 | 第117-119页 |
| 6.2.1 线性尺度空间 | 第118页 |
| 6.2.2 非线性尺度空间 | 第118-119页 |
| 6.3 基于非线性尺度空间的时空兴趣点检测算法 | 第119-128页 |
| 6.3.1 非线性尺度空间构造 | 第119-122页 |
| 6.3.2 基于非线性尺度空间的时空兴趣点检测 | 第122-123页 |
| 6.3.3 背景时空兴趣点过滤 | 第123-127页 |
| 6.3.4 时空兴趣点描述 | 第127-128页 |
| 6.4 基于非线性尺度空间的人体行为识别算法 | 第128-132页 |
| 6.4.1 Fisher编码原理 | 第128-130页 |
| 6.4.2 基于Fisher编码的视频特征 | 第130-131页 |
| 6.4.3 人体行为识别算法 | 第131-132页 |
| 6.5 实验结果与分析 | 第132-136页 |
| 6.6 本章小结 | 第136-138页 |
| 第七章 结论与展望 | 第138-141页 |
| 7.1 本文工作总结 | 第138-139页 |
| 7.2 下一步工作展望 | 第139-141页 |
| 参考文献 | 第141-157页 |
| 作者在攻读博士学位期间的主要工作成果 | 第157-159页 |
| 致谢 | 第159-160页 |
