基于公共监控场景的人群异常事件检测
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景和意义 | 第8-9页 |
| 1.2 研究现状 | 第9-12页 |
| 1.2.1 国内研究现状 | 第9-10页 |
| 1.2.2 国外研究现状 | 第10-12页 |
| 1.3 本文主要工作 | 第12页 |
| 1.4 论文的章节安排 | 第12-14页 |
| 2 异常事件检测算法综述 | 第14-24页 |
| 2.1 问题描述 | 第14页 |
| 2.2 视频事件特征表达 | 第14-18页 |
| 2.2.1 纹理特征 | 第15页 |
| 2.2.2 光流特征 | 第15-16页 |
| 2.2.3 角点特征 | 第16页 |
| 2.2.4 时空特征 | 第16-17页 |
| 2.2.5 深度学习特征 | 第17-18页 |
| 2.3 异常事件检测模型 | 第18-23页 |
| 2.3.1 聚类检测模型 | 第18-19页 |
| 2.3.2 统计检测模型 | 第19-20页 |
| 2.3.3 重构检测模型 | 第20-21页 |
| 2.3.4 边界检测模型 | 第21-22页 |
| 2.3.5 深度学习检测模型 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 3 异常事件的特征提取 | 第24-40页 |
| 3.1 光流模糊隶属度 | 第24-33页 |
| 3.1.1 光流的计算方法 | 第24-26页 |
| 3.1.2 模糊隶属度概念 | 第26页 |
| 3.1.3 隶属函数的计算方法 | 第26-27页 |
| 3.1.4 光流能量隶属函数的拟合 | 第27-31页 |
| 3.1.5 光流方向隶属度的计算 | 第31-33页 |
| 3.2 图像特征 | 第33-34页 |
| 3.3 特征融合 | 第34-36页 |
| 3.4 实验结果分析 | 第36-39页 |
| 3.4.1 实验数据 | 第36-37页 |
| 3.4.2 特征的选取 | 第37页 |
| 3.4.3 异常评价指标 | 第37-38页 |
| 3.4.4 结果分析 | 第38-39页 |
| 3.5 本章小结 | 第39-40页 |
| 4 异常事件的检测 | 第40-50页 |
| 4.1 自编码深度学习 | 第40-47页 |
| 4.1.1 自编码网络 | 第40-42页 |
| 4.1.2 自编码网络的扩展网络 | 第42-43页 |
| 4.1.3 卷积神经网络基本结构 | 第43-46页 |
| 4.1.4 常用深度学习工具介绍 | 第46-47页 |
| 4.2 异常检测模型 | 第47-49页 |
| 4.2.1 网络结构 | 第47页 |
| 4.2.2 训练数据扩增 | 第47-48页 |
| 4.2.3 异常事件的评价 | 第48-49页 |
| 4.3 本章小结 | 第49-50页 |
| 5 实验结果与分析 | 第50-58页 |
| 5.1 数据集介绍 | 第50-52页 |
| 5.1.1 UCSD Ped1数据集 | 第50-51页 |
| 5.1.2 UCSD Ped2数据集 | 第51-52页 |
| 5.2 实验结果分析 | 第52-57页 |
| 5.3 本章小结 | 第57-58页 |
| 6 总结与展望 | 第58-60页 |
| 6.1 总结 | 第58-59页 |
| 6.2 展望 | 第59-60页 |
| 致谢 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 已发表论文、专利及科研情况 | 第66页 |
| 参与的科研与教学工作 | 第66页 |
| 获奖情况 | 第66页 |
