基于动作识别的智能视频监控
| 致谢 | 第1-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-11页 |
| 1 绪论 | 第11-19页 |
| ·研究目的及意义 | 第11-13页 |
| ·研究现状 | 第13-14页 |
| ·研究难点 | 第14-15页 |
| ·类内与类间的相似性 | 第14页 |
| ·时间维度上动作分割的复杂性 | 第14-15页 |
| ·视频录制环境的复杂性 | 第15页 |
| ·公共数据库 | 第15-16页 |
| ·KTH行人动作库 | 第15-16页 |
| ·Weizmann行人动作库 | 第16页 |
| ·其他数据库 | 第16页 |
| ·本文研究内容 | 第16-17页 |
| ·论文结构安排 | 第17-19页 |
| 2 基于动作识别的智能视频监控概述 | 第19-32页 |
| ·人体检测 | 第20-24页 |
| ·帧差法 | 第20-21页 |
| ·光流法 | 第21-22页 |
| ·背景剪除法 | 第22-23页 |
| ·基于HOG特征的人体检测 | 第23-24页 |
| ·人体跟踪 | 第24-28页 |
| ·基于点集的跟踪 | 第24-26页 |
| ·基于内核的跟踪 | 第26-28页 |
| ·基于轮廓的跟踪方法 | 第28页 |
| ·动作识别 | 第28-29页 |
| ·遗留物检测 | 第29-31页 |
| ·运动历史图像的提取 | 第29-30页 |
| ·可疑物的提取 | 第30-31页 |
| ·本章小结 | 第31-32页 |
| 3 动作特征提取 | 第32-41页 |
| ·形状特征 | 第32-35页 |
| ·全局形状特征 | 第32-34页 |
| ·局部形状特征 | 第34-35页 |
| ·运动特征 | 第35-38页 |
| ·光流的提取 | 第36-37页 |
| ·基于光流的特征 | 第37-38页 |
| ·时空特征 | 第38-40页 |
| ·混合特征 | 第40页 |
| ·本章小结 | 第40-41页 |
| 4 动作特征分类 | 第41-51页 |
| ·直接分类 | 第41-42页 |
| ·K近邻分类法 | 第42页 |
| ·支持向量机 | 第42页 |
| ·时空状态模型 | 第42-43页 |
| ·模板匹配 | 第43-44页 |
| ·主题模型 | 第44-50页 |
| ·潜在语义分析 | 第44-45页 |
| ·概率潜在语义分析 | 第45-48页 |
| ·潜在狄利克雷分配模型 | 第48-50页 |
| ·基于主题模型的动作识别 | 第50页 |
| ·本章小结 | 第50-51页 |
| 5 基于光流描述子词袋的动作识别 | 第51-59页 |
| ·特征提取 | 第52-53页 |
| ·词库的构建 | 第53-54页 |
| ·基于主题模型的分类 | 第54-55页 |
| ·实验结果 | 第55-58页 |
| ·本章小结 | 第58-59页 |
| 6 智能视频监控平台 | 第59-67页 |
| ·人体检测模块 | 第60-62页 |
| ·人体跟踪模块 | 第62-64页 |
| ·动作识别模块 | 第64-65页 |
| ·设置模块 | 第65-66页 |
| ·事件保存模块 | 第66页 |
| ·本章小结 | 第66-67页 |
| 7 结论与展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 作者简历 | 第73-75页 |
| 学位论文数据集 | 第75页 |
