视频监控中异常事件实时检测方法研究与实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 人群异常行为检测的国内外研究现状 | 第12-15页 |
| 1.2.2 面部遮挡异常行为检测的国内外研究现状 | 第15-16页 |
| 1.3 关键问题 | 第16页 |
| 1.4 本文研究内容 | 第16-17页 |
| 1.5 本文组织结构 | 第17-19页 |
| 第2章 相关技术研究 | 第19-31页 |
| 2.1 概述 | 第19页 |
| 2.2 数据集 | 第19-21页 |
| 2.2.1 人群数据集 | 第19-20页 |
| 2.2.2 面部遮挡数据集 | 第20-21页 |
| 2.3 运动特征 | 第21-25页 |
| 2.3.1 光流 | 第21-22页 |
| 2.3.2 运动矢量 | 第22-23页 |
| 2.3.3 运动前景 | 第23-25页 |
| 2.4 深度学习方法 | 第25-30页 |
| 2.4.1 深度学习发展史 | 第25-26页 |
| 2.4.2 人工神经网络 | 第26-28页 |
| 2.4.3 卷积神经网络 | 第28-30页 |
| 2.5 本章总结 | 第30-31页 |
| 第3章 基于自编码器的人群异常行为实时检测 | 第31-45页 |
| 3.1 问题描述 | 第31-32页 |
| 3.2 基本思想 | 第32页 |
| 3.3 方法流程及步骤 | 第32-39页 |
| 3.3.1 提取运动矢量 | 第33-34页 |
| 3.3.2 构建时空特征 | 第34-35页 |
| 3.3.3 基于自编码器模型的异常行为判别 | 第35-39页 |
| 3.4 实验与结果分析 | 第39-43页 |
| 3.4.1 UMN数据集 | 第39-41页 |
| 3.4.2 UCSD数据集 | 第41-42页 |
| 3.4.3 模型复杂度分析 | 第42-43页 |
| 3.5 本章总结 | 第43-45页 |
| 第4章 基于CNN的面部遮挡异常行为实时检测 | 第45-61页 |
| 4.1 问题描述 | 第45页 |
| 4.2 基本思想 | 第45-46页 |
| 4.3 方法流程及步骤 | 第46-57页 |
| 4.3.1 前景提取 | 第47-50页 |
| 4.3.2 头部定位 | 第50-52页 |
| 4.3.3 面部判别 | 第52-53页 |
| 4.3.4 模型构建 | 第53-57页 |
| 4.4 实验与结果分析 | 第57-59页 |
| 4.4.1 AR face数据集 | 第58页 |
| 4.4.2 自录数据集 | 第58-59页 |
| 4.5 本章总结 | 第59-61页 |
| 第5章 异常事件监控系统 | 第61-69页 |
| 5.1 需求分析 | 第61-62页 |
| 5.2 异常事件智能监控系统 | 第62-66页 |
| 5.2.1 视频获取模块 | 第63页 |
| 5.2.2 人群异常事件检测模块 | 第63-64页 |
| 5.2.3 面部遮挡异常检测模块 | 第64-65页 |
| 5.2.4 后台推送模块 | 第65页 |
| 5.2.5 手机客户端模块 | 第65-66页 |
| 5.3 系统应用与测试 | 第66页 |
| 5.4 本章总结 | 第66-69页 |
| 第6章 总结与展望 | 第69-71页 |
| 6.1 本文工作总结 | 第69-70页 |
| 6.2 未来工作展望 | 第70-71页 |
| 参考文献 | 第71-77页 |
| 致谢 | 第77-79页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第79页 |
