| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-19页 |
| 1.1 研究背景和意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 论文主要工作内容 | 第15-16页 |
| 1.4 论文章节结构 | 第16-19页 |
| 2 人群行为分析和轨迹异常检测及预测研究综述 | 第19-27页 |
| 2.1 视频监控场景分类 | 第19-20页 |
| 2.2 人群行为分析 | 第20-24页 |
| 2.2.1 轨迹特征提取 | 第20-21页 |
| 2.2.2 轨迹相似性度量 | 第21-22页 |
| 2.2.3 轨迹聚类分析 | 第22-23页 |
| 2.2.4 运动模式学习 | 第23-24页 |
| 2.3 异常轨迹检测 | 第24-25页 |
| 2.4 轨迹预测 | 第25页 |
| 2.5 本章小结 | 第25-27页 |
| 3 基于主题模型的人群行为分析 | 第27-49页 |
| 3.1 基于SPE算法的轨迹特征提取 | 第27-32页 |
| 3.1.1 轨迹分段处理 | 第27-28页 |
| 3.1.2 运动参数计算 | 第28页 |
| 3.1.3 轨迹编码 | 第28-29页 |
| 3.1.4 轨迹降维处理 | 第29-31页 |
| 3.1.5 结构保持编码SPE算法 | 第31-32页 |
| 3.2 LDA主题模型介绍 | 第32-36页 |
| 3.2.1 Dirichlet分布 | 第32-34页 |
| 3.2.2 Fast LDA主题模型 | 第34-36页 |
| 3.2.3 Gibbs采样方法 | 第36页 |
| 3.3 基于Fast LDA算法的轨迹聚类分析 | 第36-37页 |
| 3.4 运动模式学习 | 第37-39页 |
| 3.5 实验结果及分析 | 第39-48页 |
| 3.5.1 轨迹特征提取 | 第39-40页 |
| 3.5.2 基于Fast LDA算法的轨迹聚类分析 | 第40-46页 |
| 3.5.3 运动模式学习 | 第46-48页 |
| 3.6 本章小结 | 第48-49页 |
| 4 基于局部离群点的异常轨迹检测 | 第49-61页 |
| 4.1 测试轨迹预处理 | 第50页 |
| 4.2 基于K-LOF算法的异常轨迹检测 | 第50-54页 |
| 4.2.1 测试轨迹分类 | 第50-53页 |
| 4.2.2 异常轨迹检测 | 第53-54页 |
| 4.3 实验结果及分析 | 第54-59页 |
| 4.3.1 轨迹预处理 | 第54-55页 |
| 4.3.2 基于K-LOF算法的异常轨迹检测 | 第55-59页 |
| 4.4 本章小结 | 第59-61页 |
| 5 基于长短型记忆神经网络的轨迹预测 | 第61-77页 |
| 5.1 LSTM产生的背景 | 第61-63页 |
| 5.2 基于LSTM神经网络的轨迹预测 | 第63-73页 |
| 5.2.1 LSTM神经网络模型 | 第64-66页 |
| 5.2.2 LSTM神经网络的训练 | 第66-67页 |
| 5.2.3 误差项沿时间反向传播 | 第67-70页 |
| 5.2.4 误差项传递到上一层 | 第70页 |
| 5.2.5 梯度下降法进行权值更新 | 第70-73页 |
| 5.3 实验结果及分析 | 第73-75页 |
| 5.3.1 基于LSTM的轨迹预测 | 第73-75页 |
| 5.4 本章小结 | 第75-77页 |
| 6 总结与展望 | 第77-79页 |
| 6.1 工作总结 | 第77-78页 |
| 6.2 工作展望 | 第78-79页 |
| 参考文献 | 第79-83页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第83-87页 |
| 学位论文数据集 | 第87页 |