视频监控中的异常行为检测算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-20页 |
| 1.1 选题背景及研究意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-17页 |
| 1.2.1 行为特征提取研究现状 | 第13-14页 |
| 1.2.2 异常检测模型研究现状 | 第14-16页 |
| 1.2.3 主要问题及研究难点 | 第16-17页 |
| 1.3 本文的研究内容及组织结构 | 第17-19页 |
| 1.3.1 主要研究内容 | 第17-18页 |
| 1.3.2 论文组织结构 | 第18-19页 |
| 1.4 本章小结 | 第19-20页 |
| 第二章 异常行为检测相关方法介绍 | 第20-27页 |
| 2.1 引言 | 第20-21页 |
| 2.2 行为特征提取介绍 | 第21-24页 |
| 2.2.1 基于目标级别 | 第21-22页 |
| 2.2.2 基于像素级别 | 第22-24页 |
| 2.3 异常检测模型介绍 | 第24-26页 |
| 2.3.1 有监督模型 | 第24-25页 |
| 2.3.2 半监督模型 | 第25-26页 |
| 2.3.3 无监督模型 | 第26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 基于特征融合的全局异常行为检测 | 第27-51页 |
| 3.1 引言 | 第27-28页 |
| 3.2 特征提取 | 第28-33页 |
| 3.2.1 表观特征：SI | 第28-32页 |
| 3.2.2 动作特征：MHOF | 第32-33页 |
| 3.3 基于稀疏自编码的特征融合 | 第33-38页 |
| 3.3.1 稀疏自编码网络的原理 | 第34-35页 |
| 3.3.2 稀疏自编码网络的训练 | 第35-38页 |
| 3.4 群体异常行为检测 | 第38-41页 |
| 3.4.1 基于FV的全局特征提取 | 第38-40页 |
| 3.4.2 SVM简介 | 第40-41页 |
| 3.5 实验结果 | 第41-50页 |
| 3.5.1 实验设计 | 第41-43页 |
| 3.5.2 实验结果分析 | 第43-50页 |
| 3.6 本章小结 | 第50-51页 |
| 第四章 基于卷积神经网络的局部异常行为检测 | 第51-66页 |
| 4.1 引言 | 第51-52页 |
| 4.2 卷积神经网络介绍 | 第52-55页 |
| 4.2.1 网络组成 | 第52-54页 |
| 4.2.2 2D卷积与3D卷积的区别 | 第54-55页 |
| 4.3 基于SFA-CNN的局部异常行为检测 | 第55-60页 |
| 4.3.1 异常候选区域检测 | 第55-56页 |
| 4.3.2 CNN网络结构 | 第56-57页 |
| 4.3.3 SFA预训练 | 第57-60页 |
| 4.4 实验结果 | 第60-65页 |
| 4.4.1 实验设计 | 第60-61页 |
| 4.4.2 实验结果分析 | 第61-65页 |
| 4.5 本章小结 | 第65-66页 |
| 总结与展望 | 第66-68页 |
| 参考文献 | 第68-75页 |
| 攻读硕士学位期间取得的研究成果 | 第75-76页 |
| 致谢 | 第76-77页 |
| 附表 | 第77页 |
