| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 本文研究背景、目的及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 论文的主要内容和章节安排 | 第11-14页 |
| 第2章 视频中异常行为检测研究基础 | 第14-31页 |
| 2.1 引言 | 第14页 |
| 2.2 背景建模 | 第14-18页 |
| 2.2.1 混合高斯背景建模 | 第14-17页 |
| 2.2.2 自适应混合高斯背景建模 | 第17-18页 |
| 2.3 图像常用低层特征 | 第18-22页 |
| 2.3.1 纹理特征 | 第18-19页 |
| 2.3.2 光流特征 | 第19-21页 |
| 2.3.3 形状特征 | 第21-22页 |
| 2.4 深度学习的端到端识别 | 第22-30页 |
| 2.4.1 卷积神经网络理论基础 | 第22-28页 |
| 2.4.2 应用于CIFAR-10数据集的端到端识别模型 | 第28-30页 |
| 2.5 小结 | 第30-31页 |
| 第3章 基于运动前景效应图特征的人群恐慌异常行为检测 | 第31-48页 |
| 3.1 引言 | 第31页 |
| 3.2 检测对象基本表示 | 第31-32页 |
| 3.3 运动前景效应图特征提取 | 第32-40页 |
| 3.3.1 运动前景提取 | 第33页 |
| 3.3.2 运动前景块提取 | 第33-34页 |
| 3.3.3 运动前景块的运动表示 | 第34-35页 |
| 3.3.4 运动前景效应图特征计算 | 第35-37页 |
| 3.3.5 改进的优化初始聚类中心K均值聚类算法 | 第37-39页 |
| 3.3.6 改进的优化初始聚类中心K均值聚类的类别数确定 | 第39-40页 |
| 3.4 基于运动前景效应图特征的人群恐慌异常行为检测 | 第40-42页 |
| 3.4.1 特征提取 | 第40页 |
| 3.4.2 针对改进的K-means训练及离群点判别 | 第40-41页 |
| 3.4.3 算法设计 | 第41-42页 |
| 3.5 实验结果与分析 | 第42-46页 |
| 3.5.1 改进的优化初始聚类中心K均值聚类算法性能评估 | 第42-43页 |
| 3.5.2 检测性能实验评估 | 第43-46页 |
| 3.6 小结 | 第46-48页 |
| 第4章 基于联合双路卷积神经网络的人行道异常行为检测 | 第48-62页 |
| 4.1 引言 | 第48页 |
| 4.2 检测对象基本表示 | 第48-52页 |
| 4.2.1 检测窗口生成 | 第48-51页 |
| 4.2.2 检测对象低层特征表示 | 第51-52页 |
| 4.3 人行道异常行为检测 | 第52-56页 |
| 4.3.1 改进CIFAR-10-Full的卷积神经网络结构 | 第52-53页 |
| 4.3.2 联合双路卷积神经网络模型 | 第53-55页 |
| 4.3.3 异常对象的定位 | 第55-56页 |
| 4.4 实验结果与分析 | 第56-61页 |
| 4.4.1 联合双路卷积神经网络模型训练 | 第56-58页 |
| 4.4.2 联合双路卷积神经网络模型实验性能评估 | 第58-61页 |
| 4.5 小结 | 第61-62页 |
| 第5章 总结与展望 | 第62-64页 |
| 5.1 总结 | 第62-63页 |
| 5.2 展望 | 第63-64页 |
| 参考文献 | 第64-70页 |
| 致谢 | 第70-71页 |
| 攻读硕士学位期间的研究成果 | 第71页 |
