| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究和发展现状 | 第12-15页 |
| 1.2.1 监控技术的研究现状 | 第12页 |
| 1.2.2 监控系统应用现状 | 第12-13页 |
| 1.2.3 监控技术的发展趋势 | 第13-15页 |
| 1.3 论文主要研究内容与章节安排 | 第15-17页 |
| 第2章 运动目标自适应背景差分法 | 第17-33页 |
| 2.1 常规运动目标检测方法 | 第17-22页 |
| 2.1.1 背景差分法研究与实现 | 第17-18页 |
| 2.1.2 帧间差分法研究与实现 | 第18-20页 |
| 2.1.3 光流法研究与实现 | 第20-22页 |
| 2.2 基于RGB三通道的自适应背景差分法 | 第22-27页 |
| 2.2.1 背景建模研究与实现 | 第23-25页 |
| 2.2.2 基于RGB三通道自适应背景差分法实现 | 第25-27页 |
| 2.3 阴影去除研究与实现 | 第27-32页 |
| 2.3.1 阴影去除方法概述 | 第27-28页 |
| 2.3.2 HSV彩色空间 | 第28-30页 |
| 2.3.3 基于HSV空间的阴影检测研究与实现 | 第30-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第3章 基于静态与动态特征相结合的人体行为特征提取 | 第33-43页 |
| 3.1 静态特征提取研究 | 第33-38页 |
| 3.1.1 运动目标宽高比特征提取 | 第34-35页 |
| 3.1.2 运动目标Hu不变矩提取 | 第35-38页 |
| 3.2 动态特征提取研究 | 第38-40页 |
| 3.3 动态特征与静态特征的融合 | 第40-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第4章 基于SVM和HAUSDORFF距离模板匹配算法分类 | 第43-59页 |
| 4.1 支持向量机概述 | 第43-49页 |
| 4.1.1 SVM理论基础 | 第43-46页 |
| 4.1.2 核函数和松弛变量 | 第46-49页 |
| 4.2 基于SVM的个体行为识别 | 第49-52页 |
| 4.3 Hausdorff距离匹配算法 | 第52-55页 |
| 4.3.1 Hausdorff距离定义 | 第52-53页 |
| 4.3.2 基于Hausdorff距离匹配的个体行为识别算法 | 第53-55页 |
| 4.4 基于Hausdorff距离匹配的个体行为识别结果 | 第55-56页 |
| 4.5 Hausdorff距离匹配与SVM分类器的比较与分析 | 第56-57页 |
| 4.6 本章小结 | 第57-59页 |
| 第5章 基于能量的多人异常事件辨识 | 第59-75页 |
| 5.1 光流法概述 | 第59-61页 |
| 5.2 基于光流法的基本运动特征提取 | 第61-64页 |
| 5.3 基于能量描述的特征提取算法 | 第64-66页 |
| 5.3.1 能量提取过程 | 第64-66页 |
| 5.3.2 视频的能量描述 | 第66页 |
| 5.4 能量曲线分析 | 第66-73页 |
| 5.4.1 小波消噪研究与分析 | 第67-69页 |
| 5.4.2 多人行为的分析结果 | 第69-73页 |
| 5.5 本章小结 | 第73-75页 |
| 第6章 总结与展望 | 第75-77页 |
| 6.1 论文研究工作总结 | 第75-76页 |
| 6.2 研究展望 | 第76-77页 |
| 参考文献 | 第77-81页 |
| 致谢 | 第81-83页 |
| 作者简介 | 第83页 |
