视频监控下人群异常事件检测研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 研究现状与发展趋势 | 第11-15页 |
| 1.2.1 研究现状 | 第11-14页 |
| 1.2.2 发展趋势 | 第14-15页 |
| 1.3 研究难点 | 第15-16页 |
| 1.4 本文主要研究内容 | 第16-18页 |
| 第二章 人群异常事件检测方法概述 | 第18-26页 |
| 2.1 异常检测问题 | 第18-19页 |
| 2.2 目标特征介绍 | 第19-22页 |
| 2.2.1 常见的目标特征 | 第19-21页 |
| 2.2.2 目标特征的选择标准 | 第21-22页 |
| 2.3 人群异常检测方法介绍 | 第22-25页 |
| 2.3.1 基于社会力模型的异常检测方法 | 第22-23页 |
| 2.3.2 基于稀疏表示的异常检测方法 | 第23-24页 |
| 2.3.3 基于局部运动聚类的异常检测方法 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于光流的异常区域检测技术 | 第26-36页 |
| 3.1 光流估计 | 第27-30页 |
| 3.1.1 两帧间光流问题定义 | 第27-28页 |
| 3.1.2 迭代再加权最小二乘法 | 第28-29页 |
| 3.1.3 Lucas-Kanade算法 | 第29-30页 |
| 3.2 视觉词袋 | 第30-31页 |
| 3.2.1 词袋模型的构建 | 第30-31页 |
| 3.2.2 视觉词袋表示 | 第31页 |
| 3.3 扫描统计方法 | 第31-34页 |
| 3.3.1 背景介绍 | 第31-32页 |
| 3.3.2 基本原理 | 第32页 |
| 3.3.3 半参数模型 | 第32-34页 |
| 3.4 异常区域检测 | 第34-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 局部异常事件的检测与定位 | 第36-50页 |
| 4.1 测地距离 | 第36-38页 |
| 4.1.1 特征间测地距离 | 第36-37页 |
| 4.1.2 直方图间测地距离 | 第37-38页 |
| 4.2 局部最近邻描述符 | 第38-42页 |
| 4.2.1 时空梯度特征 | 第38-39页 |
| 4.2.2 低级特征描述符 | 第39页 |
| 4.2.3 局部最近邻描述符的构建 | 第39-42页 |
| 4.3 特征学习模型 | 第42-47页 |
| 4.3.1 有限混合模型 | 第42-43页 |
| 4.3.2 朴素贝叶斯模型 | 第43-44页 |
| 4.3.3 隐含狄利克雷分布模型 | 第44-45页 |
| 4.3.4 混合成员朴素贝叶斯模型 | 第45-47页 |
| 4.4 异常行为检测与定位 | 第47-48页 |
| 4.5 本章小结 | 第48-50页 |
| 第五章 实验结果与分析 | 第50-59页 |
| 5.1 数据集介绍 | 第50-53页 |
| 5.1.1 UMN数据集 | 第50-51页 |
| 5.1.2 UCSD数据集 | 第51-53页 |
| 5.2 评估方法与参数设置 | 第53-54页 |
| 5.2.1 评估方法 | 第53-54页 |
| 5.2.2 参数设置 | 第54页 |
| 5.3 实验结果与分析 | 第54-58页 |
| 5.3.1 全局异常事件检测 | 第54-56页 |
| 5.3.2 局部异常事件检测 | 第56-58页 |
| 5.4 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 本文工作总结 | 第59-60页 |
| 6.2 未来工作展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 附录1 攻读硕士学位期间撰写的论文 | 第64-65页 |
| 附录2 攻读硕士学位期间申请的专利 | 第65-66页 |
| 附录3 攻读硕士学位期间参加的科研项目 | 第66-67页 |
| 致谢 | 第67页 |
