| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第15-23页 |
| 1.1 研究背景及意义 | 第15-18页 |
| 1.2 研究现状 | 第18-20页 |
| 1.3 本文创新工作 | 第20-21页 |
| 1.4 文章结构安排 | 第21-23页 |
| 第二章 基础理论知识 | 第23-39页 |
| 2.1 视频异常事件检测问题概述 | 第23页 |
| 2.2 图像和视频的底层特征 | 第23-28页 |
| 2.2.1 梯度 | 第23-25页 |
| 2.2.2 纹理 | 第25-27页 |
| 2.2.3 光流 | 第27-28页 |
| 2.3 信息熵理论 | 第28页 |
| 2.4 特征的机器学习模型 | 第28-30页 |
| 2.5 视频异常事件检测中的底层特征 | 第30-37页 |
| 2.5.1 基于三维梯度特征的视频异常事件检测 | 第30-32页 |
| 2.5.2 基于动态纹理特征的视频异常事件检测 | 第32-34页 |
| 2.5.3 基于光流特征视频异常事件检测 | 第34-35页 |
| 2.5.4 现有方法存在的问题研究及分析 | 第35-37页 |
| 2.6 本章小结 | 第37-39页 |
| 第三章 基于光流宏块统计特征的视频异常事件检测算法研究 | 第39-55页 |
| 3.1 特征提取算法的相关流程 | 第39-50页 |
| 3.1.1 光流算法的选取 | 第40-41页 |
| 3.1.2 特征提取的预处理 | 第41-44页 |
| 3.1.3 光流宏块统计特征的提取 | 第44-48页 |
| 3.1.4 特征融合方式及选取的讨论 | 第48-50页 |
| 3.1.5 小结 | 第50页 |
| 3.2 异常事件检测的整体算法框架 | 第50-53页 |
| 3.2.1 训练视频和待测视频的解帧及统计特征提取 | 第51页 |
| 3.2.2 高斯混合模型的训练 | 第51-52页 |
| 3.2.3 待测光流块统计特征的均值滤波 | 第52页 |
| 3.2.4 连续的统计特征的异常程度判定 | 第52-53页 |
| 3.3 本章小结 | 第53-55页 |
| 第四章 仿真实验与分析 | 第55-75页 |
| 4.1 实验参数及评价指标和评价方式 | 第55-58页 |
| 4.1.1 参数设定 | 第55-56页 |
| 4.1.2 ROC曲线 | 第56-57页 |
| 4.1.3 算法评价方式 | 第57-58页 |
| 4.2 基于UCSD数据库的实验结果与分析 | 第58-67页 |
| 4.2.1 各参数的分析和设定 | 第59页 |
| 4.2.2 算法准确率评估 | 第59-66页 |
| 4.2.3 算法性能速度评估 | 第66-67页 |
| 4.3 基于UMN数据库的实验结果与分析 | 第67-69页 |
| 4.4 基于Subway数据库的实验结果与分析 | 第69-70页 |
| 4.5 基于U-turn数据库的实验结果与分析 | 第70-74页 |
| 4.6 本章小结 | 第74-75页 |
| 第五章 总结与展望 | 第75-77页 |
| 5.1 论文总结 | 第75-76页 |
| 5.2 工作展望 | 第76-77页 |
| 参考文献 | 第77-83页 |
| 致谢 | 第83-85页 |
| 攻读学位期间发表的学术论文目录 | 第85-87页 |
| 攻读学位期间参与的项目 | 第87页 |