| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 1 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.1.1 研究背景 | 第8-9页 |
| 1.1.2 研究意义 | 第9页 |
| 1.2 人群异常事件检测研究现状 | 第9-12页 |
| 1.2.1 人群异常事件检测方法国外研究现状 | 第10页 |
| 1.2.2 人群异常事件检测方法国内研究现状 | 第10-11页 |
| 1.2.3 人群异常事件检测方法的发展态势 | 第11-12页 |
| 1.3 本文的研究内容 | 第12页 |
| 1.4 章节安排 | 第12-14页 |
| 2 人群光流特征提取及人群物理模型建立 | 第14-28页 |
| 2.1 人群光流运动特征提取 | 第14-21页 |
| 2.1.1 Lucas-Kanade法 | 第15-17页 |
| 2.1.2 块匹配法 | 第17-19页 |
| 2.1.3 实验结果分析 | 第19-21页 |
| 2.2 人群物理模型 | 第21-26页 |
| 2.2.1 社会力模型 | 第21-23页 |
| 2.2.2 旋转社会力模型 | 第23-26页 |
| 2.3 本章小结 | 第26-28页 |
| 3 尺度自适应时空特征立方体提取 | 第28-34页 |
| 3.1 算法描述 | 第28-29页 |
| 3.2 时空特征立方体的提取 | 第29-31页 |
| 3.2.1 视频文档局部极大值的搜索 | 第29-30页 |
| 3.2.2 自适应时空特征立方体的提取 | 第30-31页 |
| 3.3 基于K-means法的时空特征码书生成 | 第31-32页 |
| 3.4 本章小结 | 第32-34页 |
| 4 基于旋转社会力模型与时空特征立方体结合的人群异常事件检测 | 第34-42页 |
| 4.1 Latent Dirichlet Allocation(LDA)模型 | 第34-35页 |
| 4.2 检测算法的设计 | 第35-37页 |
| 4.2.1 算法的总体框架 | 第35-36页 |
| 4.2.2 视频单词的生成 | 第36-37页 |
| 4.2.3 基于LDA模型的异常检测 | 第37页 |
| 4.3 实验及结果分析 | 第37-41页 |
| 4.3.1 训练模型 | 第37-39页 |
| 4.3.2 异常检测及结果 | 第39-41页 |
| 4.3.3 结果分析 | 第41页 |
| 4.4 本章小结 | 第41-42页 |
| 5 基于群体的人群异常事件检测软件系统的功能及实现 | 第42-48页 |
| 5.1 系统开发平台介绍 | 第42页 |
| 5.2 系统主要功能 | 第42-44页 |
| 5.3 系统的界面布局及功能按钮使用介绍 | 第44-46页 |
| 5.4 本章小结 | 第46-48页 |
| 6 总结与展望 | 第48-50页 |
| 6.1 总结 | 第48页 |
| 6.2 展望 | 第48-50页 |
| 致谢 | 第50-52页 |
| 参考文献 | 第52-54页 |
