基于稀疏线性模型和iHMM的群体异常事件检测研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究的背景及意义 | 第10-12页 |
| 1.1.1 课题研究的背景 | 第10-11页 |
| 1.1.2 课题研究的意义 | 第11-12页 |
| 1.2 国内外研究现状及发展态势 | 第12-14页 |
| 1.2.1 群体特征感知研究现状 | 第12-13页 |
| 1.2.2 异常检测建模方法研究现状 | 第13-14页 |
| 1.2.3 智能监控发展态势 | 第14页 |
| 1.3 课题研究内容及结构安排 | 第14-16页 |
| 第2章 异常检测相关基础知识简介 | 第16-26页 |
| 2.1 光流特征 | 第16-18页 |
| 2.2 改进型LK算法 | 第18-21页 |
| 2.3 稀疏编码理论应用 | 第21-23页 |
| 2.3.1 稀疏线性模型在图像处理的具体应用 | 第22-23页 |
| 2.3.1.1 人脸识别 | 第22-23页 |
| 2.3.1.2 图像融合 | 第23页 |
| 2.4 隐马尔可夫模型(HMM)介绍 | 第23-25页 |
| 2.5 分层狄利克雷过程(HDP)介绍 | 第25页 |
| 2.6 本章小结 | 第25-26页 |
| 第3章 基于稀疏线性模型的群体特征感知 | 第26-34页 |
| 3.1 引言 | 第26页 |
| 3.2 稀疏贝叶斯学习理论 | 第26-28页 |
| 3.2.1 贝叶斯学习理论 | 第26-27页 |
| 3.2.2 稀疏线性模型 | 第27-28页 |
| 3.3 基于稀疏线性模型的特征表示 | 第28-32页 |
| 3.3.1 视频场景的预处理 | 第28-29页 |
| 3.3.2 求解稀疏线性模型 | 第29-31页 |
| 3.3.3 基于SLM空间特征表示 | 第31-32页 |
| 3.4 本章小结 | 第32-34页 |
| 第4章 基于SLM-i HMM的群体异常检测研究 | 第34-48页 |
| 4.1 引言 | 第34-35页 |
| 4.2 iHMM模型 | 第35-36页 |
| 4.3 基于SLM-iHMM异常检测 | 第36-40页 |
| 4.3.1 特征选择与稀疏学习 | 第37-38页 |
| 4.3.2 SLM-i HMM模型的空时特性 | 第38-39页 |
| 4.3.2.1 算法流程 | 第38页 |
| 4.3.2.2 算法特色 | 第38-39页 |
| 4.3.3 群体异常检测 | 第39-40页 |
| 4.4 实验仿真及结果分析 | 第40-47页 |
| 4.4.1 UMN数据集的测试 | 第40-43页 |
| 4.4.2 PETS2009数据集的测试 | 第43-44页 |
| 4.4.3 实验结果比较与分析 | 第44-47页 |
| 4.4.3.1 异常检测指标介绍 | 第44-45页 |
| 4.4.3.2 基于SLM不同先验的比较 | 第45-46页 |
| 4.4.3.3 不同模型的比较 | 第46-47页 |
| 4.5 本章小结 | 第47-48页 |
| 第5章 总结与展望 | 第48-50页 |
| 5.1 总结 | 第48-49页 |
| 5.2 展望 | 第49-50页 |
| 致谢 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 附录 | 第55页 |
