| 摘要 | 第1页 |
| Abstract | 第5-6页 |
| 详细摘要 | 第6-9页 |
| Executive Abstract | 第9-16页 |
| 1 绪论 | 第16-24页 |
| ·研究背景、目的及意义 | 第16-21页 |
| ·本文主要研究内容 | 第21-22页 |
| ·论文的章节安排 | 第22-24页 |
| 2 研究现状及相关数学方法 | 第24-34页 |
| ·国内外研究现状 | 第24-29页 |
| ·智能监控中视频分析的研究难点 | 第29-31页 |
| ·本文的研究思路 | 第31页 |
| ·主要数学方法介绍 | 第31-33页 |
| ·小波变换（Wavelet transformation） | 第31-32页 |
| ·灰度共生矩阵（Gray-Level Co-occurrence Matrix） | 第32页 |
| ·光流法（Optical flow） | 第32页 |
| ·社会力模型(Social force model) | 第32-33页 |
| ·小结 | 第33-34页 |
| 3 视频图像预处理 | 第34-42页 |
| ·视频获取及格式转换 | 第34-37页 |
| ·视频获取 | 第34-35页 |
| ·格式转换 | 第35-37页 |
| ·图像去噪 | 第37-40页 |
| ·中值滤波 | 第38页 |
| ·高斯滤波 | 第38页 |
| ·小波阈值滤波 | 第38-40页 |
| ·形态学操作 | 第40页 |
| ·小结 | 第40-42页 |
| 4 背景建模与运动信息提取 | 第42-50页 |
| ·场景理解与建模 | 第42-44页 |
| ·用于单模式背景的单高斯模型建模 | 第42-43页 |
| ·用于多模式背景的混合高斯模型建模 | 第43页 |
| ·基于核密度估计的背景建模 | 第43-44页 |
| ·基于分类方法的背景建模 | 第44页 |
| ·运动目标检测与信息提取 | 第44-47页 |
| ·光流法 | 第44页 |
| ·背景减法 | 第44-45页 |
| ·帧间差分法 | 第45页 |
| ·本文的方法 | 第45-47页 |
| ·小结 | 第47-50页 |
| 5 基于多种特征融合的人群密度估计 | 第50-78页 |
| ·人群密度估计算法 | 第50-54页 |
| ·基于像素统计的人群密度估计方法 | 第50-51页 |
| ·基于纹理特征的人群密度估计方法 | 第51-52页 |
| ·基于个体目标分析的方法 | 第52-53页 |
| ·本文提出的方法 | 第53-54页 |
| ·统计特征提取 | 第54-59页 |
| ·动态纹理特征提取 | 第59-66页 |
| ·差分图像的小波变换 | 第60-63页 |
| ·结合灰度共生矩阵提取纹理特征 | 第63-66页 |
| ·人群密度分类 | 第66-71页 |
| ·实验结果及分析 | 第71-75页 |
| ·小结 | 第75-78页 |
| 6 基于光流和社会力模型的异常行为检测 | 第78-94页 |
| ·引言 | 第78页 |
| ·基于光流法的特征点速度计算 | 第78-83页 |
| ·光流的定义 | 第79页 |
| ·Horn-Schunck 算法 | 第79-81页 |
| ·Lucas-Kanade 算法 | 第81页 |
| ·特征质点平移的计算方法 | 第81-83页 |
| ·社会力模型的研究 | 第83-87页 |
| ·基本的社会力模型 | 第83-85页 |
| ·社会力模型在运动分析中的应用 | 第85-87页 |
| ·人群交互力估计的方法 | 第87-88页 |
| ·群体异常行为检测 | 第88-90页 |
| ·实验结果 | 第90-92页 |
| ·小结 | 第92-94页 |
| 7 结论与展望 | 第94-98页 |
| ·结论和创新点 | 第94-95页 |
| ·工作展望 | 第95-98页 |
| 参考文献 | 第98-108页 |
| 致谢 | 第108-109页 |
| 作者简介 | 第109页 |
| 在学期间发表的学术论文 | 第109页 |
