基于时空关系特征的视频暴力事件检测算法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 绪论 | 第10-16页 |
| 1.1 国内外研究现状 | 第11-14页 |
| 1.2 主要研究内容与安排 | 第14-16页 |
| 1.2.1 研究思路 | 第14页 |
| 1.2.2 研究内容与目标 | 第14-15页 |
| 1.2.3 论文组织结构 | 第15-16页 |
| 2 视频检测模型介绍 | 第16-24页 |
| 2.1 传统模型 | 第16-22页 |
| 2.1.1 视频表征及方法 | 第17-21页 |
| 2.1.2 分类器 | 第21-22页 |
| 2.2 深度学习模型 | 第22-23页 |
| 2.3 暴力检测模型的研究 | 第23页 |
| 2.4 小结 | 第23-24页 |
| 3 基于稠密轨迹和超限学习机的暴力检测算法 | 第24-41页 |
| 3.1 暴力检测的算法结构 | 第24-25页 |
| 3.2 iMBH_DT特征的构建 | 第25-30页 |
| 3.2.1 帧图像的梯度预处理 | 第25-26页 |
| 3.2.2 光流场及边缘提取 | 第26-29页 |
| 3.2.3 稠密轨迹的跟踪与描述 | 第29-30页 |
| 3.3 融合词袋模型的超限学习机 | 第30-35页 |
| 3.3.1 词袋模型特征降维 | 第30-31页 |
| 3.3.2 超限学习机理论 | 第31-34页 |
| 3.3.3 iMBH DT特征的ELM分类实现 | 第34-35页 |
| 3.4 实验结果与分析 | 第35-40页 |
| 3.5 小结 | 第40-41页 |
| 4 基于光流与共生梯度方向的暴力检测算法 | 第41-57页 |
| 4.1 基于Co-MBH的检测算法结构 | 第41-42页 |
| 4.2 运动边界共生直方图的构建 | 第42-51页 |
| 4.2.1 视频序列的运动边界 | 第42-43页 |
| 4.2.2 运动边界的梯度方向量化 | 第43-46页 |
| 4.2.3 梯度方向共生对统计 | 第46-51页 |
| 4.3 实验结果与分析 | 第51-56页 |
| 4.4 小结 | 第56-57页 |
| 5 总结与展望 | 第57-58页 |
| 参考文献 | 第58-62页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第62-64页 |
| 学位论文数据集 | 第64页 |
