| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 缩略词 | 第10-11页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 智能视频监控系统研究现状 | 第12-13页 |
| 1.2.2 异常行为检测技术研究现状 | 第13-15页 |
| 1.2.3 运动目标跟踪技术研究现状 | 第15-17页 |
| 1.3 论文内容概要 | 第17-19页 |
| 第二章 基于加权光流能量的HOFO特征的异常行为检测算法 | 第19-31页 |
| 2.1 光流概述 | 第19-23页 |
| 2.1.1 光流的基本概念 | 第19页 |
| 2.1.2 光流计算方法 | 第19-23页 |
| 2.2 基于改进的HOFO特征的异常行为检测 | 第23-28页 |
| 2.2.1 HOFO特征提取 | 第23-25页 |
| 2.2.2 分类器设计 | 第25-28页 |
| 2.3 实验结果及分析 | 第28-30页 |
| 2.3.1 数据集 | 第28-29页 |
| 2.3.2 实验结果 | 第29-30页 |
| 2.4 本章小结 | 第30-31页 |
| 第三章 基于卷积神经网络的异常行为检测算法 | 第31-41页 |
| 3.1 CNN的原理 | 第31-33页 |
| 3.2 基于CNN的异常行为检测 | 第33-37页 |
| 3.2.1 异常检测的CNN结构 | 第33-34页 |
| 3.2.2 CNN异常检测 | 第34-37页 |
| 3.3 实验结果和分析 | 第37-40页 |
| 3.3.1 实验结果 | 第37-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 融合表观特征与深度特征的目标跟踪算法 | 第41-58页 |
| 4.1 基于深度学习的特征提取 | 第42-46页 |
| 4.1.1 运动目标检测 | 第42-43页 |
| 4.1.2 特征提取 | 第43-46页 |
| 4.2 基于粒子滤波的在线跟踪 | 第46-50页 |
| 4.2.1 粒子滤波原理 | 第46-47页 |
| 4.2.2 目标定位 | 第47-48页 |
| 4.2.3 模板更新 | 第48-49页 |
| 4.2.4 粒子重采样 | 第49-50页 |
| 4.3 实验设计与结果分析 | 第50-57页 |
| 4.3.1 参数设置与离线训练 | 第50页 |
| 4.3.2 定性分析 | 第50-54页 |
| 4.3.3 定量分析 | 第54-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第五章 基于MATLAB平台的异常检测与跟踪系统实现 | 第58-63页 |
| 5.1 引言 | 第58页 |
| 5.2 系统的总体结构 | 第58-59页 |
| 5.3 系统界面 | 第59-62页 |
| 5.4 本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 本文工作总结 | 第63页 |
| 6.2 展望 | 第63-65页 |
| 参考文献 | 第65-69页 |
| 致谢 | 第69-70页 |
| 在学期间的研究成果及发表的学术论文 | 第70页 |