| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 引言 | 第8-9页 |
| 1.2 异常行为检测研究现状 | 第9-12页 |
| 1.3 异常行为检测面临的挑战 | 第12-13页 |
| 1.4 论文的研究内容及结构 | 第13-16页 |
| 第二章 异常行为检测相关工作 | 第16-28页 |
| 2.1 异常行为检测系统流程 | 第16页 |
| 2.2 预处理 | 第16-18页 |
| 2.2.1 归一化 | 第16-17页 |
| 2.2.2 前景检测 | 第17-18页 |
| 2.2.3 形态学处理 | 第18页 |
| 2.3 特征提取 | 第18-21页 |
| 2.3.1 梯度特征 | 第18-20页 |
| 2.3.2 光流特征 | 第20-21页 |
| 2.4 异常检测模型 | 第21-24页 |
| 2.4.1 基于稀疏编码的重构模型 | 第21-22页 |
| 2.4.2 基于深度学习的重构模型 | 第22-24页 |
| 2.5 性能评价准则 | 第24-25页 |
| 2.6 常用数据库 | 第25-26页 |
| 2.7 本章小结 | 第26-28页 |
| 第三章 基于超像素时间上下文特征的异常行为检测 | 第28-36页 |
| 3.1 异常行为检测的整体算法框架 | 第28-29页 |
| 3.1.1 算法框架 | 第28-29页 |
| 3.1.2 稀疏组合学习 | 第29页 |
| 3.2 超像素时间上下文特征提取 | 第29-32页 |
| 3.2.1 SLIC0超像素 | 第29-30页 |
| 3.2.2 前景超像素 | 第30页 |
| 3.2.3 超像素上下帧匹配 | 第30-31页 |
| 3.2.4 超像素特征 | 第31-32页 |
| 3.3 实验结果及其分析 | 第32-35页 |
| 3.3.1 UCSD Ped1数据库结果及分析 | 第32-34页 |
| 3.3.2 UMN数据库结果及分析 | 第34-35页 |
| 3.4 本章总结 | 第35-36页 |
| 第四章 基于先验权重稀疏编码和时空修正的异常行为检测 | 第36-50页 |
| 4.1 异常行为检测算法框架 | 第36-38页 |
| 4.1.1 算法框架 | 第36-37页 |
| 4.1.2 密集轨迹 | 第37-38页 |
| 4.2 先验稀疏编码 | 第38-39页 |
| 4.2.1 字典学习 | 第38页 |
| 4.2.2 问题分析 | 第38-39页 |
| 4.2.3 先验权重稀疏编码 | 第39页 |
| 4.3 时空修正 | 第39-41页 |
| 4.4 实验结果及其分析 | 第41-48页 |
| 4.4.1 UCSD Ped1数据库结果及分析 | 第41-45页 |
| 4.4.2 UCSD Ped2数据库结果及分析 | 第45-47页 |
| 4.4.3 Avenue数据库结果及分析 | 第47-48页 |
| 4.5 本章总结 | 第48-50页 |
| 第五章 基于贝叶斯融合的时空流异常行为检测 | 第50-60页 |
| 5.1 基于深度学习的异常行为检测模型 | 第50-51页 |
| 5.2 空间流卷积网络 | 第51-52页 |
| 5.3 时间流卷积网络 | 第52-53页 |
| 5.4 重构误差融合 | 第53-55页 |
| 5.5 实验结果及分析 | 第55-59页 |
| 5.5.1 规则分数 | 第55-56页 |
| 5.5.2 重构图像显示 | 第56页 |
| 5.5.3 可视化规则分数 | 第56-57页 |
| 5.5.4 基于规则分数的ROC曲线 | 第57-59页 |
| 5.6 本章总结 | 第59-60页 |
| 主要结论与展望 | 第60-62页 |
| 主要结论 | 第60-61页 |
| 展望 | 第61-62页 |
| 致谢 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 附录:作者在攻读硕士学位期间发表的论文 | 第68页 |