| 摘要 | 第1-6页 |
| ABSTRACT | 第6-11页 |
| 第一章 绪论 | 第11-19页 |
| ·课题背景和意义 | 第11-13页 |
| ·课题的研究背景 | 第11-12页 |
| ·课题的研究意义 | 第12-13页 |
| ·国内外研究现状和发展态势 | 第13-16页 |
| ·国内研究现状 | 第13-14页 |
| ·国外研究现状 | 第14-15页 |
| ·发展态势 | 第15-16页 |
| ·本文的内容和意义 | 第16-17页 |
| ·研究内容 | 第16-17页 |
| ·研究的意义 | 第17页 |
| ·本文的研究成果 | 第17-18页 |
| ·本文章节安排 | 第18-19页 |
| 第二章 尺度自适应时空特征（SAST） | 第19-34页 |
| ·算法概述 | 第19-21页 |
| ·光流 | 第21-22页 |
| ·光流的基本概念 | 第21页 |
| ·计算近似光流 | 第21-22页 |
| ·社会力场模型 | 第22-25页 |
| ·社会力场模型的概念 | 第22-24页 |
| ·计算群体间的交互力Fint | 第24-25页 |
| ·提取SAST 特征立方体 | 第25-30页 |
| ·在时空Clip 中找极大值 | 第27-28页 |
| ·以极大值为中心提取SAST 特征立方体 | 第28-30页 |
| ·SAST 特征立方体相似性的判定算法 | 第30-31页 |
| ·SAST 特征立方体提取算法复杂度分析 | 第31-32页 |
| ·本章小结 | 第32-34页 |
| 第三章 基于 SAST 特征立方体的群体异常检测 | 第34-43页 |
| ·算法概述 | 第34-35页 |
| ·LATENT DIRICHLET ALLOCATION（LDA）模型 | 第35-36页 |
| ·基于SAST 特征立方体的群体异常检测算法 | 第36-38页 |
| ·生成codebook | 第36-37页 |
| ·描述视频序列 | 第37-38页 |
| ·检测异常 | 第38页 |
| ·实验 | 第38-42页 |
| ·训练 | 第39页 |
| ·测试 | 第39-42页 |
| ·本章小结 | 第42-43页 |
| 第四章 高频与时空特征（HFST） | 第43-51页 |
| ·算法概述 | 第43-44页 |
| ·小波变换 | 第44-46页 |
| ·离散小波变换 | 第45-46页 |
| ·HFST 特征提取及描述 | 第46-47页 |
| ·实验 | 第47-49页 |
| ·HFST 特征立方体提取算法时间复杂度分析 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 第五章 基于 HFST 特征立方体的群体异常检测 | 第51-67页 |
| ·算法概述 | 第51-52页 |
| ·HMM 简述 | 第52-55页 |
| ·HMM 基本描述 | 第52-53页 |
| ·HMM 的三大基本算法 | 第53-55页 |
| ·基于HFST 特征的群体异常检测算法 | 第55-60页 |
| ·全局场景中的群体异常检测算法 | 第55-57页 |
| ·HFST 特征立方体的表示 | 第55-56页 |
| ·聚类codebook | 第56页 |
| ·描述视频序列 | 第56-57页 |
| ·检测异常 | 第57页 |
| ·局部区域的群体异常检测算法 | 第57-60页 |
| ·时空模式特征 | 第58-59页 |
| ·改进的具有竞争机制的HMMs | 第59-60页 |
| ·实验 | 第60-66页 |
| ·全局场景中的群体异常检测实验 | 第60-64页 |
| ·训练 | 第61页 |
| ·测试 | 第61-64页 |
| ·局部区域的群体异常检测实验 | 第64-66页 |
| ·训练 | 第64页 |
| ·测试 | 第64-66页 |
| ·本章小结 | 第66-67页 |
| 第六章 结束语 | 第67-69页 |
| ·研究工作总结 | 第67-68页 |
| ·未来研究方向 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-75页 |
| 个人简介和攻读硕士期间的成果 | 第75-77页 |