| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景与意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.3 本文主要研究内容 | 第11-13页 |
| 1.4 论文的组织结构 | 第13-15页 |
| 第2章 面向多视角视频的行为识别技术基础理论 | 第15-23页 |
| 2.1 引言 | 第15页 |
| 2.2 目标检测算法 | 第15-16页 |
| 2.2.1 背景差分法 | 第15-16页 |
| 2.2.2 均值漂移法 | 第16页 |
| 2.2.3 光流场法 | 第16页 |
| 2.2.4 目标检测算法分析 | 第16页 |
| 2.3 目标跟踪算法 | 第16-18页 |
| 2.3.1 均值偏移跟踪算法 | 第16-17页 |
| 2.3.2 粒子滤波跟踪算法 | 第17-18页 |
| 2.3.3 Kalman滤波目标跟踪算法 | 第18页 |
| 2.3.4 目标跟踪算法分析 | 第18页 |
| 2.4 行为识别技术 | 第18-19页 |
| 2.5 多视角数据融合方法 | 第19-21页 |
| 2.5.1 多视角数据融合方法概述 | 第19-20页 |
| 2.5.2 多视低秩字典学习方法融合多视角数据 | 第20-21页 |
| 2.6 本章小结 | 第21-23页 |
| 第3章 基于视频跟踪轨迹的多视角停车行为识别 | 第23-41页 |
| 3.1 引言 | 第23-24页 |
| 3.2 KLT运动角点检测算法 | 第24-25页 |
| 3.3 实时压缩跟踪算法 | 第25-27页 |
| 3.4 分类方法 | 第27-29页 |
| 3.4.1 基于支持向量机的分类方法 | 第27-28页 |
| 3.4.2 基于KSVD字典学习的分类方法 | 第28-29页 |
| 3.5 复杂环境下适用性分析与视频增强 | 第29-36页 |
| 3.5.1 基于多帧多尺度Retinex的视频增强技术 | 第29-32页 |
| 3.5.2 基于OpenCV的图像视频增强技术实现 | 第32-33页 |
| 3.5.3 基于非局部稀疏重建模型的图像去噪 | 第33-34页 |
| 3.5.4 测试分析方法与结果 | 第34-36页 |
| 3.6 数据库与实验 | 第36-39页 |
| 3.6.1 多视角停车行为视频数据库介绍 | 第36-37页 |
| 3.6.2 实验与结果分析 | 第37-39页 |
| 3.7 本章小结 | 第39-41页 |
| 第4章 基于跟踪轨迹Group特征的多视角人群行为识别 | 第41-49页 |
| 4.1 引言 | 第41页 |
| 4.2 人群运动特征表示 | 第41-45页 |
| 4.2.1 基于gKLT方法跟踪运动轨迹 | 第41页 |
| 4.2.2 运动轨迹聚类 | 第41-43页 |
| 4.2.3 人群行为Group描述符的提取 | 第43-45页 |
| 4.3 数据库与实验 | 第45-48页 |
| 4.3.1 多视角人群行为视频数据库介绍 | 第45-46页 |
| 4.3.2 实验与结果分析 | 第46-48页 |
| 4.4 本章小结 | 第48-49页 |
| 结论 | 第49-51页 |
| 参考文献 | 第51-55页 |
| 攻读硕士学位期间所取得的研究成果 | 第55-57页 |
| 致谢 | 第57页 |
