基于视频分析的电梯轿厢内异常行为检测研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 1 绪论 | 第9-17页 |
| ·课题研究背景及意义 | 第9-10页 |
| ·国内外研究现状 | 第10-14页 |
| ·智能视频监控研究现状 | 第10-13页 |
| ·行为识别的研究现状 | 第13-14页 |
| ·论文研究内容与结构安排 | 第14-16页 |
| ·论文研究内容 | 第14-15页 |
| ·论文结构安排 | 第15-16页 |
| ·本章小结 | 第16-17页 |
| 2 前景提取 | 第17-33页 |
| ·引言 | 第17页 |
| ·常用的前景提取算法 | 第17-20页 |
| ·光流法 | 第17-18页 |
| ·帧差法 | 第18-19页 |
| ·背景差法 | 第19-20页 |
| ·减背景边缘的前景提取法 | 第20-27页 |
| ·边缘检测介绍 | 第21-25页 |
| ·建立背景边缘模型 | 第25-26页 |
| ·前景提取及背景模型的更新 | 第26-27页 |
| ·Hu 矩匹配的前景边缘检测法 | 第27-31页 |
| ·建立背景边缘模型 | 第28页 |
| ·Hu 矩介绍 | 第28-29页 |
| ·前景目标提取 | 第29-31页 |
| ·实验结果与分析 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 3 角点光流计算及异常行为检测模型 | 第33-47页 |
| ·引言 | 第33页 |
| ·光流算法 | 第33-38页 |
| ·Horn-Schunck 光流算法 | 第35-36页 |
| ·Lucas-Kanade 光流算法 | 第36-37页 |
| ·金字塔 Lucas-Kanade 光流算法 | 第37-38页 |
| ·改进的金字塔 LK 算法 | 第38-44页 |
| ·边缘角点的检测 | 第38-39页 |
| ·基于边缘角点的光流计算 | 第39-42页 |
| ·实验结果与分析 | 第42-44页 |
| ·建立角点动能模型 | 第44-46页 |
| ·动态特征计算 | 第45页 |
| ·动能计算 | 第45-46页 |
| ·本章小结 | 第46-47页 |
| 4 电梯轿厢内异常行为检测 | 第47-56页 |
| ·引言 | 第47页 |
| ·电梯轿厢内人数判断 | 第47-49页 |
| ·人体检测 | 第47页 |
| ·人数判断与跟踪 | 第47-49页 |
| ·计数方法 | 第49页 |
| ·异常行为检测 | 第49-53页 |
| ·异常行为检测算法流程图 | 第50页 |
| ·单人异常行为检测 | 第50-52页 |
| ·多人异常行为检测 | 第52-53页 |
| ·算法性能的评价 | 第53-55页 |
| ·本章小结 | 第55-56页 |
| 5 异常行为监控系统平台 | 第56-60页 |
| ·引言 | 第56页 |
| ·OpenCV 开发环境介绍 | 第56-57页 |
| ·OpenCV 模块 | 第56页 |
| ·OpenCV 功能 | 第56-57页 |
| ·监控系统平台 | 第57-59页 |
| ·基本结构 | 第57-58页 |
| ·软件界面 | 第58-59页 |
| ·运行结果 | 第59页 |
| ·本章小结 | 第59-60页 |
| 6 总结与展望 | 第60-62页 |
| ·工作总结 | 第60-61页 |
| ·工作展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-66页 |
| 附录 | 第66页 |
| A．作者在攻读学位期间发表的论文 | 第66页 |
| B．作者在攻读学位期间参与的科研项目 | 第66页 |
