| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第14-18页 |
| 1.1 研究的背景和意义 | 第14-15页 |
| 1.2 视频行为分析方法 | 第15页 |
| 1.3 视频行为分析的挑战 | 第15-16页 |
| 1.4 本文组织结构 | 第16-18页 |
| 第二章 主题模型 | 第18-39页 |
| 2.1 引言 | 第18-20页 |
| 2.1.1 概率图模型 | 第18-19页 |
| 2.1.2 主题模型的历史 | 第19-20页 |
| 2.2 隐含狄利克雷分配LDA | 第20-26页 |
| 2.2.1 狄利克雷分布 | 第20-21页 |
| 2.2.2 共轭分布 | 第21-22页 |
| 2.2.3 Gibbs采样 | 第22-23页 |
| 2.2.4 LDA模型及其推导 | 第23-26页 |
| 2.3 层次狄利克雷过程HDP | 第26-37页 |
| 2.3.1 狄利克雷过程 | 第26-29页 |
| 2.3.2 DP混合模型 | 第29-30页 |
| 2.3.3 HDP模型及其推导 | 第30-37页 |
| 2.4 主题模型的变化 | 第37-38页 |
| 2.5 本章小结 | 第38-39页 |
| 第三章 主题模型在视频行为分析中的应用流程及优缺点分析 | 第39-46页 |
| 3.1 引言 | 第39页 |
| 3.2 视频行为分析流程 | 第39-42页 |
| 3.2.1 动特征提取 | 第39-41页 |
| 3.2.2 行为发现和场景判别 | 第41-42页 |
| 3.3 主题模型在视频行为分析中应用优缺点分析 | 第42-43页 |
| 3.4 有主题模型的改进 | 第43-45页 |
| 3.4.1 结构层次增加 | 第43-44页 |
| 3.4.2 时间序列建模 | 第44-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第四章 引入结构信息的基于LDA和HDP的主题模型改进 | 第46-57页 |
| 4.1 引言 | 第46页 |
| 4.2 在LDA模型中引入结构信息 | 第46-49页 |
| 4.2.1 基于LDA模型的改进方法 | 第46-47页 |
| 4.2.2 改进模型的图模型 | 第47-48页 |
| 4.2.3 改进模型的Gibbs采样算法 | 第48-49页 |
| 4.3 在HDP模型中引入结构信息 | 第49-56页 |
| 4.3.1 运动方向属性作为独立变量 | 第50-54页 |
| 4.3.2 运动方向属性作为标签 | 第54-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第五章 改进模型在视频行为分析中的应用 | 第57-75页 |
| 5.1 QMUL交通路口车辆和行人数据集 | 第57-58页 |
| 5.2 实验环境和步骤 | 第58-60页 |
| 5.2.1 视频数据预处理 | 第58-59页 |
| 5.2.2 模型训练及结果可视化 | 第59页 |
| 5.2.3 行为发现及场景判别 | 第59-60页 |
| 5.3 原始LDA与引入结构信息的LDA模型在QMUL数据集上的对照实验 | 第60-68页 |
| 5.3.1 原子行为发现 | 第60-64页 |
| 5.3.2 场景行为分析 | 第64-66页 |
| 5.3.3 场景判别 | 第66-68页 |
| 5.4 原始HDP与引入结构信息的HDP模型在QMUL数据集上的对照实验 | 第68-74页 |
| 5.4.1 原子行为发现和场景行为分析 | 第68-71页 |
| 5.4.2 场景判别 | 第71-74页 |
| 5.5 实验结果分析 | 第74页 |
| 5.6 本章小结 | 第74-75页 |
| 第六章 总结与展望 | 第75-77页 |
| 6.1 本文总结 | 第75页 |
| 6.2 未来工作展望 | 第75-77页 |
| 第七章 附录 | 第77-78页 |
| 参考文献 | 第78-85页 |
| 简历与科研成果 | 第85-86页 |
| 致谢 | 第86-87页 |
