基于视频监控的群体性事件预警方法的研究
| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第15-21页 |
| 1.1 课题研究的背景和意义 | 第15-17页 |
| 1.1.1 课题的研究背景和来源 | 第15-16页 |
| 1.1.2 课题研究的意义 | 第16-17页 |
| 1.2 国内外研究现状 | 第17-19页 |
| 1.2.1 国内外研究现状 | 第17-18页 |
| 1.2.2 发展趋势 | 第18-19页 |
| 1.2.3 本文主要研究内容 | 第19页 |
| 1.3 本文章节安排 | 第19-21页 |
| 第二章 社会力模型 | 第21-34页 |
| 2.1 光流法 | 第21-24页 |
| 2.1.1 光流介绍 | 第21-22页 |
| 2.1.2 光流计算方法 | 第22-23页 |
| 2.1.3 基于梯度的方法 | 第23-24页 |
| 2.2 H-S算法和L-K算法 | 第24-27页 |
| 2.2.1 Horn-Schunck方法 | 第24-25页 |
| 2.2.2 Lucas-Kanade方法 | 第25-26页 |
| 2.2.3 总结两种算法 | 第26-27页 |
| 2.3 社会力模型 | 第27-30页 |
| 2.3.1 社会力模型 | 第27-29页 |
| 2.3.2 群体性事件下的社会力模型 | 第29-30页 |
| 2.3.3 估计社会交互力 | 第30页 |
| 2.4 方向熵 | 第30-32页 |
| 2.5 群体事件分析 | 第32-33页 |
| 2.5.1 群殴事件的特征分析 | 第32页 |
| 2.5.2 恐慌逃散的特征分析 | 第32-33页 |
| 2.6 总结 | 第33-34页 |
| 第三章 基于社会力模型的群体异常检测方法 | 第34-47页 |
| 3.1 经典的基于SFM的群体异常检测方法 | 第34-37页 |
| 3.1.1 LDA模型 | 第34-36页 |
| 3.1.2 经典的异常检测 | 第36-37页 |
| 3.2 结合光流法的异常检测 | 第37-41页 |
| 3.2.1 寻找极值点 | 第38页 |
| 3.2.2 计算方向熵 | 第38-41页 |
| 3.3 实验 | 第41-46页 |
| 3.3.1 实验数据集介绍 | 第41-42页 |
| 3.3.2 实验分析 | 第42-46页 |
| 3.4 总结 | 第46-47页 |
| 第四章 目标区域的改进算法 | 第47-68页 |
| 4.1 自适应尺度时空立方体 | 第47-53页 |
| 4.1.1 寻找Clip的极大值 | 第48-49页 |
| 4.1.2 提取SAST特征立方体 | 第49-51页 |
| 4.1.3 SAST特征立方体的相似性判定 | 第51-52页 |
| 4.1.4 基于SAST时空特征立方体的异常检测 | 第52-53页 |
| 4.2 基于LBP加权的社会力模型 | 第53-57页 |
| 4.2.1 基于局部二值模式的谱分析 | 第53-55页 |
| 4.2.2 结合STLBP的社会力模型 | 第55-56页 |
| 4.2.3 利用LBP加权的社会力模型检测异常 | 第56-57页 |
| 4.3 自适应目标区域窗口 | 第57-65页 |
| 4.3.1 尺度自适应窗口 | 第58-60页 |
| 4.3.2 运动前景提取 | 第60-64页 |
| 4.3.3 目标区域提取 | 第64-65页 |
| 4.4 实验 | 第65-67页 |
| 4.5 总结 | 第67-68页 |
| 第五章 结束语 | 第68-70页 |
| 5.1 总结 | 第68页 |
| 5.2 展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第74-75页 |
