视频群体特征感知与异常检测研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 论文研究的背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 特征感知方法 | 第11-12页 |
| 1.2.2 模型异常检测方法 | 第12-14页 |
| 1.2.2.1 聚类分析建模 | 第12-13页 |
| 1.2.2.2 误差重构建模 | 第13页 |
| 1.2.2.3 统计学习建模 | 第13-14页 |
| 1.3 论文研究内容和结构安排 | 第14-16页 |
| 第2章 底层特征提取 | 第16-27页 |
| 2.1 SIFT特征 | 第16-20页 |
| 2.1.1 构建图像尺度空间 | 第16-17页 |
| 2.1.2 尺度空间极值点检测 | 第17-18页 |
| 2.1.3 除去不稳定点 | 第18-19页 |
| 2.1.4 特征点方向分配 | 第19页 |
| 2.1.5 生成特征点描述子 | 第19-20页 |
| 2.1.6 构建BOW模型 | 第20页 |
| 2.2 光流特征 | 第20-26页 |
| 2.2.1 图像金字塔表示 | 第21-22页 |
| 2.2.2 金字塔特征跟踪 | 第22-23页 |
| 2.2.3 迭代仿射光流计算 | 第23-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第3章 基于复合先验稀疏编码的群体特征感知 | 第27-37页 |
| 3.1 引言 | 第27页 |
| 3.2 稀疏贝叶斯学习理论 | 第27-29页 |
| 3.2.1 贝叶斯学习理论 | 第27-28页 |
| 3.2.2 稀疏贝叶斯回归模型 | 第28-29页 |
| 3.3 基于复合先验稀疏编码的群体特征感知 | 第29-32页 |
| 3.3.1 视频场景的特征表示 | 第29-30页 |
| 3.3.2 基于复合先验的稀疏编码 | 第30-32页 |
| 3.3.3 群体异常事件判断 | 第32页 |
| 3.4 实验仿真及结果分析 | 第32-36页 |
| 3.4.1 UMN数据集 | 第33-34页 |
| 3.4.2 模拟场景 | 第34-36页 |
| 3.4.3 实验比较 | 第36页 |
| 3.5 本章小结 | 第36-37页 |
| 第4章 基于联合空时模型的视频异常检测 | 第37-60页 |
| 4.1 引言 | 第37页 |
| 4.2 iHMM和LDA模型介绍 | 第37-46页 |
| 4.2.1 iHMM模型 | 第37-44页 |
| 4.2.1.1 iHMM模型的原理及结构 | 第38页 |
| 4.2.1.2 HDP模型的参数学习 | 第38-43页 |
| 4.2.1.3 iHMM模型的参数学习 | 第43-44页 |
| 4.2.2 LDA模型 | 第44-46页 |
| 4.2.2.1 LDA模型的原理及结构 | 第44-45页 |
| 4.2.2.2 LDA模型的参数学习 | 第45-46页 |
| 4.3 联合空时模型的异常检测 | 第46-55页 |
| 4.3.1 联合空时模型结构 | 第46-47页 |
| 4.3.2 模型学习 | 第47-52页 |
| 4.3.2.1 iHMM-LDA生成树 | 第48-50页 |
| 4.3.2.2 LDA-iHMM生成树 | 第50-52页 |
| 4.3.2.3 树加权 | 第52页 |
| 4.3.3 异常检测 | 第52-55页 |
| 4.4 实验仿真及结果分析 | 第55-59页 |
| 4.4.1 模型性能评估 | 第55-56页 |
| 4.4.2 视频异常检测 | 第56-59页 |
| 4.4.2.1 UCSD数据集的测试 | 第56-58页 |
| 4.4.2.2 UMN数据集的测试 | 第58-59页 |
| 4.4.3 不同模型的比较 | 第59页 |
| 4.5 本章小结 | 第59-60页 |
| 第5章 总结与展望 | 第60-62页 |
| 5.1 总结 | 第60-61页 |
| 5.2 展望 | 第61-62页 |
| 致谢 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 附录 | 第67页 |
