| 论文创新点 | 第5-9页 |
| 摘要 | 第9-11页 |
| ABSTRACT | 第11-12页 |
| 1 绪论 | 第13-20页 |
| 1.1 时空信息在遮挡处理中的研究背景及问题 | 第13-14页 |
| 1.2 时空信息在行人路径预测中的研究背景及问题 | 第14-15页 |
| 1.3 时空信息在人群行为分析中的研究背景及问题 | 第15-16页 |
| 1.4 本文研究内容 | 第16-18页 |
| 1.4.1 基于社交动作特征的遮挡处理机制 | 第16-17页 |
| 1.4.2 行人路径预测中的编码时空动作特征 | 第17页 |
| 1.4.3 联合学习时空信息的深度神经网络 | 第17-18页 |
| 1.5 本文组织结构 | 第18-20页 |
| 2 基于社交运动特征的多行人目标跟踪中的遮挡处理 | 第20-36页 |
| 2.1 引言 | 第20-21页 |
| 2.2 多行人目标跟踪中遮挡处理的时空信息分析 | 第21-25页 |
| 2.2.1 吸引力模型分析 | 第21-24页 |
| 2.2.2 团队模型分析 | 第24-25页 |
| 2.3 遮挡处理策略 | 第25-28页 |
| 2.3.1 遗传数据关联的基于检测的行人跟踪 | 第25-26页 |
| 2.3.2 跟踪算子 | 第26-27页 |
| 2.3.3 基于社交动作特征的遮挡处理机制 | 第27-28页 |
| 2.4 实验以及结果分析 | 第28-35页 |
| 2.4.1 社交动作特征的初始化 | 第28-29页 |
| 2.4.2 实验所用数据库 | 第29页 |
| 2.4.3 实验验证的量化标准 | 第29页 |
| 2.4.4 实验结果及分析 | 第29-33页 |
| 2.4.5 算法的实验性能分析 | 第33-35页 |
| 2.5 本章工作总结和展望 | 第35-36页 |
| 3 行人路径预测中的编码时空动作特征 | 第36-54页 |
| 3.1 引言 | 第36-37页 |
| 3.2 本章算法架构 | 第37-42页 |
| 3.2.1 动作特征提取 | 第38-40页 |
| 3.2.2 自编码机的无监督特征学习 | 第40-41页 |
| 3.2.3 高斯回归模型 | 第41-42页 |
| 3.3 实验验证与结果分析 | 第42-45页 |
| 3.4 本章总结与未来工作展望 | 第45-54页 |
| 4 联合学习时空信息的深度神经网络 | 第54-81页 |
| 4.1 引言 | 第54-55页 |
| 4.2 本章算法 | 第55-62页 |
| 4.2.1 人群场景中的动作特征 | 第56-57页 |
| 4.2.2 长短时记忆循环网络简介 | 第57-58页 |
| 4.2.3 深度联合时空信息学习神经网络 | 第58-62页 |
| 4.2.3.1 卷积长短时循环记忆神经网络 | 第59-60页 |
| 4.2.3.2 应用于人群行为分析和理解的深度神经网络结构 | 第60-61页 |
| 4.2.3.3 目标方程 | 第61-62页 |
| 4.3 实验及结果讨论 | 第62-80页 |
| 4.3.1 实验的实现细节 | 第63页 |
| 4.3.2 行人路径预测 | 第63-71页 |
| 4.3.3 目的地估计 | 第71-72页 |
| 4.3.4 全面人群行为分类 | 第72-80页 |
| 4.4 本章总结 | 第80-81页 |
| 5 总结与展望 | 第81-83页 |
| 5.1 本文总结 | 第81-82页 |
| 5.2 未来工作展望 | 第82-83页 |
| 参考文献 | 第83-92页 |
| 攻博期间发表的科研成果目录 | 第92-93页 |
| 致谢 | 第93页 |