| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 课题背景及研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-15页 |
| 1.2.1 行人检测算法研究现状 | 第12-13页 |
| 1.2.2 人体行为特征提取和表达方法研究现状 | 第13-14页 |
| 1.2.3 行为识别算法研究现状 | 第14-15页 |
| 1.3 本文主要内容及结构安排 | 第15-16页 |
| 第2章 面向城市智能监控的行人检测算法研究 | 第16-40页 |
| 2.1 面向城市智能监控的运动前景检测 | 第16-20页 |
| 2.1.1 光流法 | 第16-18页 |
| 2.1.2 帧间差分法 | 第18-19页 |
| 2.1.3 背景减除法 | 第19-20页 |
| 2.2 基于机器学习的行人检测算法研究 | 第20-29页 |
| 2.2.1 行人特征提取 | 第21-25页 |
| 2.2.2 行人目标分类器优选 | 第25-28页 |
| 2.2.3 行人检测算法实现与实验结果分析 | 第28-29页 |
| 2.3 基于深度学习的行人检测算法研究 | 第29-39页 |
| 2.3.1 深度学习算法研究 | 第29-36页 |
| 2.3.2 基于改进YOLO的行人检测算法研究 | 第36-39页 |
| 2.4 本章小结 | 第39-40页 |
| 第3章 面向城市智能监控的行为特征研究 | 第40-51页 |
| 3.1 行为特征提取 | 第40-42页 |
| 3.1.1 静态特征提取 | 第40-41页 |
| 3.1.2 动态特征提取 | 第41页 |
| 3.1.3 时空特征提取 | 第41-42页 |
| 3.2 行为特征表达方法研究 | 第42-46页 |
| 3.2.1 人体模型表达方法 | 第42-43页 |
| 3.2.2 特征描述子表达方法 | 第43-46页 |
| 3.3 基于Hessian时空兴趣点的行为特征表达 | 第46-50页 |
| 3.3.1 基于Hessian时空兴趣点的特征提取 | 第46-47页 |
| 3.3.2 基于3DHOG的时空兴趣点表达方法 | 第47-48页 |
| 3.3.3 基于HOF的时空兴趣点表达方法 | 第48-49页 |
| 3.3.4 基于融合特征的时空兴趣点表达方法 | 第49-50页 |
| 3.4 本章小结 | 第50-51页 |
| 第4章 面向城市智能监控的行为识别研究 | 第51-60页 |
| 4.1 基于模板匹配的行为识别算法 | 第51-53页 |
| 4.1.1 基于区域约束MHI特征提取 | 第51-52页 |
| 4.1.2 模板匹配算法研究 | 第52页 |
| 4.1.3 基于MHI特征与模板匹配的行为识别流程 | 第52-53页 |
| 4.2 基于主题模型的行为识别算法 | 第53-59页 |
| 4.2.1 词袋模型研究 | 第54-55页 |
| 4.2.2 pLSA模型算法 | 第55-58页 |
| 4.2.3 基于改进的主题模型的行为识别流程 | 第58-59页 |
| 4.3 本章小结 | 第59-60页 |
| 第5章 面向城市智能监控的行人检测及其行为识别平台及算法性能分析 | 第60-70页 |
| 5.1 面向城市智能监控的行人检测及其行为识别平台搭建 | 第60-61页 |
| 5.1.1 面向城市智能监控的行人检测及其行为识别硬件平台 | 第60-61页 |
| 5.1.2 面向城市智能监控的行人检测及其行为识别软件开发环境 | 第61页 |
| 5.2 行人检测算法实现与性能分析 | 第61-64页 |
| 5.2.1 行人识别常用数据库 | 第61-62页 |
| 5.2.2 实验结果与算法性能分析 | 第62-64页 |
| 5.3 行为识别算法实现与性能分析 | 第64-69页 |
| 5.3.1 行为识别常用数据库 | 第64-66页 |
| 5.3.2 实验结果与算法性能分析 | 第66-69页 |
| 5.4 本章小结 | 第69-70页 |
| 第6章 总结与展望 | 第70-72页 |
| 6.1 工作总结 | 第70-71页 |
| 6.2 展望 | 第71-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 作者在攻读硕士学位期间发表的学术论文 | 第77页 |
