视频中的行人检测与异常行为检测方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 课题的研究现状和问题 | 第13-18页 |
| 1.2.1 行人检测的研究现状与问题 | 第14-16页 |
| 1.2.2 异常行为检测的研究现状与问题 | 第16-18页 |
| 1.3 本文主要研究内容及结构安排 | 第18-20页 |
| 2 基于梯度方向直方图特征的行人检测 | 第20-46页 |
| 2.1 引言 | 第20页 |
| 2.2 基本概念 | 第20-29页 |
| 2.2.1 特征提取 | 第21-23页 |
| 2.2.2 线性判别分析法 | 第23-24页 |
| 2.2.3 AdaBoost 算法 | 第24-26页 |
| 2.2.4 MILBoost 算法 | 第26-29页 |
| 2.3 算法的详细设计与实现 | 第29-42页 |
| 2.3.1 算法概述 | 第30-31页 |
| 2.3.2 获取训练样本 | 第31-33页 |
| 2.3.3 梯度方向直方图特征的提取 | 第33-34页 |
| 2.3.4 种子与生长的算法思想 | 第34-36页 |
| 2.3.5 种子的选择 | 第36-37页 |
| 2.3.6 生长过程 | 第37-40页 |
| 2.3.7 弱分类器的设计 | 第40-41页 |
| 2.3.8 算法的详细设计 | 第41-42页 |
| 2.4 实验结果与讨论 | 第42-45页 |
| 2.5 本章总结 | 第45-46页 |
| 3 基于光流与时空特性的异常行为检测方法 | 第46-67页 |
| 3.1 引言 | 第46-47页 |
| 3.2 基本概念 | 第47-55页 |
| 3.2.1 行为的表示方法及实验 | 第47-49页 |
| 3.2.2 异常行为检测 | 第49-50页 |
| 3.2.3 时空块方法 | 第50-53页 |
| 3.2.4 光流法 | 第53-55页 |
| 3.3 算法的详细设计与实现 | 第55-64页 |
| 3.3.1 算法概述 | 第55-58页 |
| 3.3.2 获得光流信息 | 第58-59页 |
| 3.3.3 滤除噪声 | 第59-60页 |
| 3.3.4 监视器的设计 | 第60-61页 |
| 3.3.5 时空连通性的描述 | 第61-63页 |
| 3.3.6 算法的详细设计 | 第63-64页 |
| 3.4 实验结果与讨论 | 第64-66页 |
| 3.5 本章总结 | 第66-67页 |
| 4 总结与展望 | 第67-70页 |
| 4.1 论文总结 | 第67-68页 |
| 4.2 未来工作展望 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 致谢 | 第74-75页 |
| 攻读学位期间发表的学术论文和专利 | 第75-78页 |
| 上海交通大学硕士学位论文答辩决议书 | 第78页 |
