智能视频监控系统关键技术研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 1 绪论 | 第9-14页 |
| ·研究背景及意义 | 第9页 |
| ·视频监控系统的发展应用及研究现状 | 第9-12页 |
| ·视频监控系统的发展 | 第9-10页 |
| ·智能视频监控系统的研究现状 | 第10-11页 |
| ·智能视频监控系统的应用 | 第11-12页 |
| ·智能视频监控系统框架和主要关键技术 | 第12-13页 |
| ·智能视频监控系统框架 | 第12页 |
| ·智能视频监控的主要技术 | 第12-13页 |
| ·本文主要研究工作和内容安排 | 第13-14页 |
| ·本文主要研究工作 | 第13页 |
| ·论文章节安排 | 第13-14页 |
| 2 动态时域检测窗口的快速关键帧提取方法 | 第14-31页 |
| ·关键帧提取技术概述 | 第14-16页 |
| ·镜头分割方法概述 | 第14-15页 |
| ·常用的关键帧提取方法 | 第15-16页 |
| ·动态时域检测窗口的快速关键帧提取方法 | 第16-21页 |
| ·帧间相似度 | 第16-18页 |
| ·时域检测窗口 | 第18-21页 |
| ·改进的关键帧提取算法流程分析 | 第21-23页 |
| ·算法实现以及性能分析 | 第23-30页 |
| ·验证算法性能的评价指标 | 第23-24页 |
| ·实验参数的选择 | 第24-25页 |
| ·算法性能分析 | 第25-28页 |
| ·实验展示 | 第28-30页 |
| ·本章小结 | 第30-31页 |
| 3 基于置信度因子的多特征融合阴影检测 | 第31-46页 |
| ·运动目标提取概述 | 第31-32页 |
| ·传统的运动目标提取方法 | 第31页 |
| ·传统的阴影检测方法 | 第31-32页 |
| ·基于混合高斯模型的背景建模 | 第32-34页 |
| ·混合高斯模型 | 第32-33页 |
| ·背景模型更新策略 | 第33-34页 |
| ·基于置信度因子的多特征融合阴影检测 | 第34-37页 |
| ·基于颜色特征的阴影检测 | 第34页 |
| ·基于纹理特征的阴影检测 | 第34-35页 |
| ·置信度因子的引入 | 第35-37页 |
| ·本文阴影检测算法流程 | 第37页 |
| ·算法实现以及性能分析 | 第37-44页 |
| ·基于混合高斯模型的背景建模实验 | 第37-41页 |
| ·基于颜色特征与 LBP 纹理特征的实验 | 第41-43页 |
| ·融合多特征阴影检测的运动物体提取实验 | 第43-44页 |
| ·本章小结 | 第44-46页 |
| 4 基于 HMM 的人体行为识别 | 第46-59页 |
| ·行为识别及分层模型 | 第46-49页 |
| ·行为识别概述 | 第46-48页 |
| ·行为识别中的分层模型 | 第48页 |
| ·传统的人体姿态描述方法 | 第48-49页 |
| ·人体姿态的特征提取 | 第49-51页 |
| ·傅立叶描述子 | 第49-50页 |
| ·运动目标区域的宽高比 | 第50-51页 |
| ·质心运动特征 | 第51页 |
| ·行为识别的隐马尔科夫模型 | 第51-55页 |
| ·马尔科夫链 | 第51-52页 |
| ·隐马尔科夫模型 | 第52-55页 |
| ·算法实现以及性能分析 | 第55-58页 |
| ·人体行为马尔科夫模型 | 第55-56页 |
| ·实验性能分析 | 第56-58页 |
| ·本章小结 | 第58-59页 |
| 5 展望与总结 | 第59-61页 |
| ·本文总结 | 第59页 |
| ·展望 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 附录 | 第66页 |
| A. 作者在攻读学位期间发表的论文目录 | 第66页 |
