基于考场监控视频的智能监考方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第14-20页 |
| 1.1 研究背景 | 第14-15页 |
| 1.2 国内外研究概况 | 第15-17页 |
| 1.2.1 智能视频监控系统研究现状 | 第15-16页 |
| 1.2.2 基于考场的智能监控技术研究现状 | 第16-17页 |
| 1.3 研究内容与论文结构 | 第17-20页 |
| 1.3.1 研究内容 | 第17-19页 |
| 1.3.2 论文结构 | 第19-20页 |
| 第2章 考场视频图像分析相关理论与算法 | 第20-28页 |
| 2.1 考场视频图像分析的主要研究内容 | 第20页 |
| 2.2 基于图像分析的静态目标检测 | 第20-26页 |
| 2.2.1 常用静态目标检测的方法 | 第21页 |
| 2.2.2 支持向量机 | 第21-26页 |
| 2.3 异常行为检测相关理论 | 第26-27页 |
| 2.3.1 传统的异常行为检测方法 | 第26页 |
| 2.3.2 异常检测的研究进展 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基于分类器级联的考生目标检测 | 第28-42页 |
| 3.1 基于融合特征的考生检测 | 第28-35页 |
| 3.1.1 基于单一特征的考生检测 | 第28-33页 |
| 3.1.2 基于HOG-ULBPH特征的考生检测 | 第33-35页 |
| 3.2 基于分类器级联的考生检测框架 | 第35-36页 |
| 3.3 考生目标检测实验结果分析与改进 | 第36-41页 |
| 3.3.1 考生检测的实验结果与分析 | 第36-38页 |
| 3.3.2 考生检测结果的误差处理方法 | 第38-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 基于稀疏重建的考生异常行为检测 | 第42-56页 |
| 4.1 考生异常行为定义 | 第42-43页 |
| 4.2 特征提取与数据处理 | 第43-46页 |
| 4.2.1 特征提取 | 第43-44页 |
| 4.2.2 数据处理 | 第44-46页 |
| 4.3 基于稀疏重建的考生行为建模 | 第46-50页 |
| 4.3.1 稀疏表达原理 | 第46-47页 |
| 4.3.2 基于稀疏表达的异常检测 | 第47-48页 |
| 4.3.3 改进的稀疏组合算法 | 第48-50页 |
| 4.4 考生异常行为检测 | 第50-55页 |
| 4.4.1 异常行为检测过程 | 第50-51页 |
| 4.4.2 实验结果及分析 | 第51-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第5章 基于多信息融合的双通道异常检测 | 第56-62页 |
| 5.1 基于多信息融合的双通道异常检测框架 | 第56-59页 |
| 5.1.1 运动历史图像 | 第56-57页 |
| 5.1.2 运动连通域检测 | 第57页 |
| 5.1.3 双通道检测框架 | 第57-58页 |
| 5.1.4 实验结果 | 第58-59页 |
| 5.2 本文方法与其它常见方法对比 | 第59-61页 |
| 5.3 本章小结 | 第61-62页 |
| 第6章 总结与展望 | 第62-64页 |
| 6.1 总结 | 第62-63页 |
| 6.2 展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-70页 |
| 在读期间发表的学术论文与取得的其他研究成果 | 第70页 |
