视频中运动物体的异常行为检测
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 引言 | 第11-16页 |
| 1.1 选题背景 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 基于可穿戴设备的异常检测技术 | 第12页 |
| 1.2.2 基于日常活动量信息的异常检测技术 | 第12-13页 |
| 1.2.3 基于计算机视觉的异常检测技术 | 第13-14页 |
| 1.3 论文的主要内容和创新点 | 第14-15页 |
| 1.4 章节安排 | 第15-16页 |
| 第2章 Kinect平台与数据分析 | 第16-23页 |
| 2.1 Kinect概述 | 第16-19页 |
| 2.1.1 Kinect简介 | 第16-17页 |
| 2.1.2 Kinect SDK简介 | 第17-18页 |
| 2.1.3 骨骼追踪API | 第18-19页 |
| 2.2 Kinect深度数据分析 | 第19-21页 |
| 2.3 关节点数据分析 | 第21-22页 |
| 2.4 实验环境的确定 | 第22页 |
| 2.5 本章小结 | 第22-23页 |
| 第3章 融合特征提取方法 | 第23-32页 |
| 3.1 现有的运动特征的提取方法 | 第23-25页 |
| 3.1.1 基于形状的特征提取方法 | 第23-24页 |
| 3.1.2 基于时空的特征提取方法 | 第24页 |
| 3.1.3 基于模型的特征提取方法 | 第24-25页 |
| 3.2 本文对异常行为的定义 | 第25-26页 |
| 3.3 本文的特征提取方法 | 第26-30页 |
| 3.3.1 高度特征的提取 | 第26-28页 |
| 3.3.2 定位目标序列 | 第28-30页 |
| 3.4 本章小结 | 第30-32页 |
| 第4章 改进粒子群算法在异常行为中的应用 | 第32-55页 |
| 4.1 SVM原理简介 | 第32-37页 |
| 4.1.1 统计学习理论 | 第32-34页 |
| 4.1.2 线性可分问题的支持向量 | 第34-35页 |
| 4.1.3 非线性支持向量机 | 第35页 |
| 4.1.4 核函数 | 第35-37页 |
| 4.2 SVM参数优化算法 | 第37-40页 |
| 4.2.1 核函数优化 | 第37页 |
| 4.2.2 需要优化的参数 | 第37-38页 |
| 4.2.3 K折交叉验证优化SVM参数 | 第38-39页 |
| 4.2.4 网格法优化SVM参数 | 第39页 |
| 4.2.5 群智能方法优化SVM参数 | 第39-40页 |
| 4.3 粒子群算法 | 第40-42页 |
| 4.3.1 粒子群算法的概述 | 第40-41页 |
| 4.3.2 粒子群算法原理 | 第41页 |
| 4.3.3 粒子群算法流程 | 第41-42页 |
| 4.4 改进粒子群算法 | 第42-52页 |
| 4.4.1 基于惯性权重改进的粒子群算法 | 第43-44页 |
| 4.4.2 基于收缩因子的粒子群算法 | 第44页 |
| 4.4.3 自适应权重法 | 第44-45页 |
| 4.4.4 本文改进的粒子群算法 | 第45-48页 |
| 4.4.5 改进粒子群算法实验仿真及分析 | 第48-52页 |
| 4.5 PSO-SVM的实现 | 第52-54页 |
| 4.5.1 PSO-SVM的设计思想 | 第52-53页 |
| 4.5.2 PSO-SVM算法流程 | 第53-54页 |
| 4.6 本章小结 | 第54-55页 |
| 第5章 实验结果及分析 | 第55-62页 |
| 5.1 基于SVM的人体异常行为检测系统 | 第55-59页 |
| 5.1.1 系统框架 | 第55-56页 |
| 5.1.2 实验条件 | 第56页 |
| 5.1.3 实验数据 | 第56-57页 |
| 5.1.4 基于SVM的异常行为检测流程 | 第57-59页 |
| 5.2 不同算法对实验结果的影响 | 第59-60页 |
| 5.3 实验结果及分析 | 第60-61页 |
| 5.4 本章小结 | 第61-62页 |
| 第6章 总结与展望 | 第62-64页 |
| 6.1 总结 | 第62页 |
| 6.2 展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-69页 |
| 攻读硕士学位期间从事的科研工作及取得的成果 | 第69页 |
