视频中的大规模人群密度与异常行为分析
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 目录 | 第7-13页 |
| 第一章 绪论 | 第13-19页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.1.1 研究背景 | 第13-14页 |
| 1.1.2 研究意义及应用 | 第14页 |
| 1.2 研究现状 | 第14-17页 |
| 1.2.1 国内外研究现状 | 第14-16页 |
| 1.2.2 课题组研究现状 | 第16-17页 |
| 1.3 本文主要内容及章节安排 | 第17-19页 |
| 第二章 视频中的人群分析研究 | 第19-41页 |
| 2.1 引言 | 第19-20页 |
| 2.2 前景检测算法研究 | 第20-26页 |
| 2.2.1 混合高斯背景建模 | 第20-21页 |
| 2.2.2 无参背景建模算法 | 第21-22页 |
| 2.2.3 基于PBAS的前景检测 | 第22-25页 |
| 2.2.4 前景检测的实验比较 | 第25-26页 |
| 2.3 人群密度估计研究 | 第26-37页 |
| 2.3.1 基于检测或聚类的人群密度估计 | 第27-28页 |
| 2.3.2 基于回归模型的人群密度统计 | 第28-34页 |
| 2.3.2.1 像素统计特征 | 第29-32页 |
| 2.3.2.2 灰度共生矩阵 | 第32-33页 |
| 2.3.2.3 LBP纹理特征 | 第33-34页 |
| 2.3.3 回归模型 | 第34-37页 |
| 2.3.3.1 偏最小二乘法回归 | 第34页 |
| 2.3.3.2 高斯过程回归 | 第34-36页 |
| 2.3.3.3 随机森林回归 | 第36-37页 |
| 2.4 人群运动信息的特征 | 第37-40页 |
| 2.4.1 基于时空兴趣点的异常事件检测 | 第38-39页 |
| 2.4.2 基于光流法的异常事件检测 | 第39-40页 |
| 2.5 本章小结 | 第40-41页 |
| 第三章 一种分块的人群密度估计算法 | 第41-57页 |
| 3.1 引言 | 第41页 |
| 3.2 透视归一化 | 第41-42页 |
| 3.3 回归模型的选择 | 第42-47页 |
| 3.3.1 实验环境 | 第42-44页 |
| 3.3.2 不同回归模型的实验对比 | 第44-46页 |
| 3.3.3 实验分析 | 第46-47页 |
| 3.4 特征的选择 | 第47-49页 |
| 3.4.1 不同特征的实验对比 | 第47-48页 |
| 3.4.2 实验分析 | 第48-49页 |
| 3.5 基于分块的人群密度估计算法 | 第49-54页 |
| 3.5.1 视频帧的分块处理 | 第50-51页 |
| 3.5.2 密度程度的判定 | 第51页 |
| 3.5.3 回归模型 | 第51-52页 |
| 3.5.4 整体算法流程 | 第52-53页 |
| 3.5.5 实验结果 | 第53-54页 |
| 3.6 本章小结 | 第54-57页 |
| 第四章 基于光流和社会力模型的人群异常事件检测 | 第57-69页 |
| 4.1 引言 | 第57页 |
| 4.2 光流运动估计 | 第57-58页 |
| 4.3 基于社会力模型的人群异常事件检测算法 | 第58-66页 |
| 4.3.1 社会交互作用力的计算 | 第60页 |
| 4.3.2 算法流程 | 第60-62页 |
| 4.3.3 实验结果与分析 | 第62-66页 |
| 4.4 本章小结 | 第66-69页 |
| 第五章 总结与展望 | 第69-71页 |
| 5.1 本文研究工作总结 | 第69-70页 |
| 5.2 进一步的研究与展望 | 第70-71页 |
| 参考文献 | 第71-79页 |
| 攻读硕士学位期间发表论文及科研情况 | 第79-81页 |
| 发表论文 | 第79页 |
| 参与项目 | 第79-81页 |
| 致谢 | 第81页 |
