| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 注释表 | 第10-11页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 多目标检测与跟踪 | 第12-13页 |
| 1.2.2 群体聚类 | 第13-14页 |
| 1.2.3 群体性事件预警 | 第14-16页 |
| 1.3 本文研究目标 | 第16页 |
| 1.4 本文内容安排 | 第16-18页 |
| 第二章 航站楼群体运动目标检测 | 第18-32页 |
| 2.1 目标检测方法综述 | 第18-21页 |
| 2.1.1 帧差法 | 第18页 |
| 2.1.2 光流法 | 第18-19页 |
| 2.1.3 背景减除法 | 第19-21页 |
| 2.2 混合高斯背景模型 | 第21-23页 |
| 2.2.1 背景建模 | 第22页 |
| 2.2.2 背景模型实时更新 | 第22-23页 |
| 2.2.3 检测运动目标 | 第23页 |
| 2.3 基于YCb Cr颜色空间和拓扑切割的阴影去除算法 | 第23-27页 |
| 2.3.1 基于YCb Cr颜色空间的初步阴影检测 | 第23-24页 |
| 2.3.2 拓扑图像切割 | 第24-27页 |
| 2.4 实验验证 | 第27-31页 |
| 2.4.1 阴影检测方法对比实验 | 第27-28页 |
| 2.4.2 航站楼适用实验 | 第28-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 旅客群体聚类特征提取 | 第32-52页 |
| 3.1 基于人头特征的旅客群体分布估计 | 第32-41页 |
| 3.1.1 Ada Boost算法 | 第32-33页 |
| 3.1.2 SVM算法 | 第33-35页 |
| 3.1.3 基于Ada Boost SVM人头检测 | 第35-38页 |
| 3.1.4 实验验证 | 第38-41页 |
| 3.2 基于纹理特征的旅客群体分布估计 | 第41-47页 |
| 3.2.1 纹理特征提取方法综述 | 第41-42页 |
| 3.2.2 基于GLCM的纹理提取方法 | 第42-44页 |
| 3.2.3 实验验证 | 第44-47页 |
| 3.3 群体聚类体提取 | 第47-51页 |
| 3.3.1 相关定义 | 第47-48页 |
| 3.3.2 区域划分 | 第48-49页 |
| 3.3.3 基于区域划分的DBSCAN聚类 | 第49-50页 |
| 3.3.4 实验验证 | 第50-51页 |
| 3.4 本章小结 | 第51-52页 |
| 第四章 基于特征数据挖掘的群体性事件预警 | 第52-69页 |
| 4.1 数据挖掘 | 第52-53页 |
| 4.1.1 数据挖掘任务 | 第52-53页 |
| 4.1.2 数据挖掘方法 | 第53页 |
| 4.1.3 BP神经网络 | 第53页 |
| 4.2 航站楼监控视频群体特征数据提取 | 第53-63页 |
| 4.2.1 研究区域选择 | 第54-55页 |
| 4.2.2 关键区域旅客位置信息提取 | 第55-59页 |
| 4.2.3 基于区域划分DBSCAN聚类算法的旅客群体聚类 | 第59-60页 |
| 4.2.4 聚类体特征数据提取 | 第60-63页 |
| 4.3 基于BP神经网络分类器的航站楼群体性事件预警模型 | 第63-68页 |
| 4.3.1 模型数据样本构建 | 第63-64页 |
| 4.3.2 构建BP神经网络模型 | 第64-67页 |
| 4.3.3 神经网络模型测试结果 | 第67-68页 |
| 4.4 本章小结 | 第68-69页 |
| 第五章 总结与展望 | 第69-71页 |
| 5.1 本文研究成果 | 第69-70页 |
| 5.2 展望 | 第70-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-76页 |
| 在学期间的研究成果及发表的学术论文 | 第76页 |
