基于视觉感知运动对象行为理解
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 第一章 绪论 | 第12-24页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状与分析 | 第13-20页 |
| 1.3 本文研究内容与主要贡献 | 第20-22页 |
| 1.4 本文内容组织 | 第22-24页 |
| 第二章 基于稀疏粒子流场视频异常行为在线检测 | 第24-48页 |
| 2.1 概述 | 第24-25页 |
| 2.2 粒子轨迹运动特征提取 | 第25-32页 |
| 2.2.1 稀疏粒子流轨迹 | 第25-27页 |
| 2.2.2 无效运动粒子自动剔除 | 第27-30页 |
| 2.2.3 基于稀疏粒子提取底层运动特征 | 第30-32页 |
| 2.3 运动稳定性特征提取 | 第32-36页 |
| 2.3.1 运动方向稳定性 | 第33-35页 |
| 2.3.2 运动幅度补偿 | 第35-36页 |
| 2.3.3 运动状态稳定性 | 第36页 |
| 2.4 动态阈值与异常行为判定 | 第36-37页 |
| 2.5 实验结果与分析 | 第37-47页 |
| 2.5.1 数据集 | 第37-38页 |
| 2.5.2 参数选择 | 第38-39页 |
| 2.5.3 对比实验结果 | 第39-47页 |
| 2.6 本章小结 | 第47-48页 |
| 第三章 基于动态贝叶斯决策视频异常行为定位与识别 | 第48-74页 |
| 3.1 概述 | 第48-49页 |
| 3.2 运动特征提取 | 第49-54页 |
| 3.2.1 运动光流场计算 | 第49-50页 |
| 3.2.2 运动幅度与方向 | 第50-51页 |
| 3.2.3 运动阻力 | 第51-53页 |
| 3.2.4 多通道特征 | 第53-54页 |
| 3.3 运动模型学习 | 第54-58页 |
| 3.3.1 混合高斯模型 | 第54-56页 |
| 3.3.2 贝叶斯决策与异常行为识别 | 第56-58页 |
| 3.4 实验结果与分析 | 第58-71页 |
| 3.4.1 数据集简介 | 第58-59页 |
| 3.4.2 对比实验结果 | 第59-71页 |
| 3.5 本章小结 | 第71-74页 |
| 第四章 基于双流卷积深度学习异常行为识别 | 第74-96页 |
| 4.1 概述 | 第74-75页 |
| 4.2 深度卷积网络 | 第75-80页 |
| 4.2.1 卷积运算与卷积层 | 第76-78页 |
| 4.2.2 池化运算 | 第78-79页 |
| 4.2.3 全连接层与softmax | 第79-80页 |
| 4.3 动态轨迹行为特征描述 | 第80-87页 |
| 4.3.1 运动轨迹时间信息编码 | 第80-82页 |
| 4.3.2 动态轨迹色彩增强 | 第82-84页 |
| 4.3.3 视频信号平滑 | 第84-87页 |
| 4.4 双流卷积与时空特征融合 | 第87-89页 |
| 4.5 实验结果与分析 | 第89-95页 |
| 4.5.1 实验设置 | 第89-91页 |
| 4.5.2 参数选择 | 第91-92页 |
| 4.5.3 对比实验结果 | 第92-95页 |
| 4.6 本章小结 | 第95-96页 |
| 第五章 总结与展望 | 第96-100页 |
| 5.1 总结 | 第96-97页 |
| 5.2 展望 | 第97-100页 |
| 参考文献 | 第100-114页 |
| 攻读博士学位期间完成的主要工作 | 第114-116页 |
| 致谢 | 第116页 |
