视频中异常行为发现方法研究及实现
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题的研究背景与意义 | 第10-11页 |
| 1.2 异常行为检测研究现状 | 第11-14页 |
| 1.3 本文的主要研究内容和章节安排 | 第14-16页 |
| 1.3.1 本文的主要研究内容 | 第14-15页 |
| 1.3.2 本文章节安排 | 第15-16页 |
| 第二章 基于轮廓描述子的特征提取 | 第16-41页 |
| 2.1 引言 | 第16-17页 |
| 2.2 算法框架 | 第17页 |
| 2.3 基于联合背景差帧间差的运动目标提取 | 第17-22页 |
| 2.3.1 基于背景差的运动目标提取 | 第17-18页 |
| 2.3.2 基于帧间差的运动目标提取 | 第18-22页 |
| 2.4 基于改进边界跟踪的边界提取 | 第22-24页 |
| 2.4.1 轮廓提取和传统边界跟踪 | 第22-24页 |
| 2.4.2 改进的边界跟踪算法 | 第24页 |
| 2.5 单目标复杂场景下的轮廓提取 | 第24-32页 |
| 2.5.1 改进的离散线段构造 | 第25-26页 |
| 2.5.2 基于边界收缩的轮廓提取 | 第26-28页 |
| 2.5.3 基于外切线探测的轮廓提取 | 第28-32页 |
| 2.6 多目标复杂场景下的轮廓提取 | 第32-40页 |
| 2.6.1 目标跟踪 | 第33-34页 |
| 2.6.2 基于外接矩形特征的目标跟踪 | 第34-40页 |
| 2.7 本章小结 | 第40-41页 |
| 第三章 基于马尔科夫概率模型的异常检测 | 第41-54页 |
| 3.1 引言 | 第41页 |
| 3.2 算法框架 | 第41-42页 |
| 3.3 基于间隔采样及聚类量化的特征提取 | 第42-44页 |
| 3.3.1 轮廓的等间隔采样 | 第42-43页 |
| 3.3.2 轮廓的聚类量化 | 第43-44页 |
| 3.4 基于马尔科夫链的概率模型 | 第44-46页 |
| 3.5 马尔科夫概率模型的优化 | 第46-48页 |
| 3.6 异常行为度量准则设计 | 第48-49页 |
| 3.7 实验结果及分析 | 第49-53页 |
| 3.8 本章小结 | 第53-54页 |
| 第四章 基于聚类的混合高斯模型的异常检测 | 第54-65页 |
| 4.1 引言 | 第54页 |
| 4.2 算法框架 | 第54-55页 |
| 4.3 特征描述子的构建 | 第55-59页 |
| 4.3.1 局部特征描述子 | 第55-57页 |
| 4.3.2 基于Bo F框架的局部特征的量化 | 第57-59页 |
| 4.3.3 轮廓特征提取及构建 | 第59页 |
| 4.4 基于聚类的混合高斯建模 | 第59-61页 |
| 4.5 实验结果及分析 | 第61-64页 |
| 4.6 本章小结 | 第64-65页 |
| 第五章 异常行为检测软件实现 | 第65-70页 |
| 5.1 系统环境 | 第65页 |
| 5.2 软件展示及功能介绍 | 第65-67页 |
| 5.3 多线程模块 | 第67-69页 |
| 5.4 本章小结 | 第69-70页 |
| 第六章 工作总结与展望 | 第70-72页 |
| 6.1 本论文研究总结 | 第70页 |
| 6.2 本论文研究展望 | 第70-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 攻读硕士学位期间取得的成果 | 第77-78页 |
