| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 1 绪论 | 第12-20页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 人群智能监控概述 | 第13-14页 |
| 1.3 人群智能监控研究现状 | 第14-18页 |
| 1.3.1 人群密度等级分类研究现状 | 第14-16页 |
| 1.3.2 人群异常检测研究现状 | 第16-17页 |
| 1.3.3 研究现状总结 | 第17-18页 |
| 1.4 本文的工作内容及安排 | 第18-20页 |
| 2 人群密度等级分类算法 | 第20-32页 |
| 2.1 算法概述 | 第20-21页 |
| 2.2 图像预处理 | 第21-25页 |
| 2.2.1 图像子块的划分 | 第21-22页 |
| 2.2.2 图像子块的预处理与标定 | 第22-23页 |
| 2.2.3 融合局部与整体灰度共生矩阵的纹理特征描述 | 第23-25页 |
| 2.3 基于前景像素统计的回归算法 | 第25-26页 |
| 2.4 基于纹理特征的学习分类算法 | 第26-31页 |
| 2.4.1 支持向量机模型的建立 | 第26-27页 |
| 2.4.2 基于贝叶斯估计的异常样本滤除 | 第27-29页 |
| 2.4.3 基于改进K-means聚类的迭代训练算法 | 第29-31页 |
| 2.5 本章小结 | 第31-32页 |
| 3 基于瞬时能量特征的人群异常检测 | 第32-46页 |
| 3.1 基于像素统计分析的运动特征点提取 | 第32-39页 |
| 3.1.1 视频图像的网格化处理 | 第33页 |
| 3.1.2 前景运动区域检测 | 第33-37页 |
| 3.1.3 运动特征点获取 | 第37-39页 |
| 3.2 基于光流的运动特征提取 | 第39-42页 |
| 3.2.1 光流法的基本原理 | 第39-40页 |
| 3.2.2 Lucas-Kanade光流算法 | 第40-41页 |
| 3.2.3 获取网格的运动向量 | 第41-42页 |
| 3.3 基于瞬时能量特征的人群异常检测 | 第42-45页 |
| 3.3.1 人群的基本能量特征 | 第42-43页 |
| 3.3.2 人群的瞬时能量特征 | 第43-45页 |
| 3.3.3 人群的异常检测 | 第45页 |
| 3.4 本章小结 | 第45-46页 |
| 4 实验与分析 | 第46-58页 |
| 4.1 人群密度等级分类算法的实验分析 | 第46-51页 |
| 4.1.1 纹理特征描述及总体算法性能的实验分析 | 第46-49页 |
| 4.1.2 异常样本滤除对分类性能的影响 | 第49-50页 |
| 4.1.3 改进迭代训练算法对训练效率的提升 | 第50-51页 |
| 4.2 人群异常检测模型的实验分析 | 第51-57页 |
| 4.2.1 获取视频图像瞬时能量特征 | 第52页 |
| 4.2.2 确定异常检测相关阈值 | 第52-53页 |
| 4.2.3 人群异常检测的实验分析 | 第53-57页 |
| 4.3 本章小结 | 第57-58页 |
| 5 结论与展望 | 第58-60页 |
| 5.1 论文工作总结 | 第58-59页 |
| 5.2 下一步工作展望 | 第59-60页 |
| 参考文献 | 第60-63页 |
| 作者简历 | 第63-65页 |
| 学位论文数据集 | 第65页 |