拥挤场景中异常事件检测方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题背景 | 第9页 |
| 1.2 课题研究目的及意义 | 第9-10页 |
| 1.3 国内外研究现状 | 第10-11页 |
| 1.3.1 国内研究现状 | 第10-11页 |
| 1.3.2 国外研究现状 | 第11页 |
| 1.4 本文研究内容与结构 | 第11-14页 |
| 第2章 异常事件检测相关技术概述 | 第14-27页 |
| 2.1 引言 | 第14页 |
| 2.2 传统视觉问题与 MRF 相关理论 | 第14-20页 |
| 2.2.1 传统视觉问题 | 第14-15页 |
| 2.2.2 MRF 与图模型表示 | 第15-16页 |
| 2.2.3 MRF 能量最小化方法 | 第16-20页 |
| 2.3 稀疏表示理论 | 第20-22页 |
| 2.4 字典学习算法 | 第22-26页 |
| 2.4.1 最优方向法 | 第22-23页 |
| 2.4.2 K-SVD 算法 | 第23-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第3章 拥挤场景中局部异常检测 | 第27-34页 |
| 3.1 引言 | 第27页 |
| 3.2 MPPCA 学习局部的运动模式 | 第27-29页 |
| 3.2.1 光流特征提取 | 第27-28页 |
| 3.2.2 混合概率主成分分析 | 第28页 |
| 3.2.3 学习局部状态的运动模式 | 第28-29页 |
| 3.3 构建时空 MRF 模型 | 第29-31页 |
| 3.3.1 时空 MRF 模型的能量函数 | 第29-31页 |
| 3.3.2 时空 MRF 模型的自更新 | 第31页 |
| 3.4 MRF 的因子图结构实现 | 第31-33页 |
| 3.4.1 二维因子图结构 | 第31-33页 |
| 3.4.2 三维因子图结构 | 第33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 拥挤场景中全局异常检测 | 第34-42页 |
| 4.1 引言 | 第34-35页 |
| 4.2 基于稀疏表示的异常检测框架 | 第35-38页 |
| 4.2.1 光流直方图特征提取 | 第35-36页 |
| 4.2.2 视频异常检测框架 | 第36-38页 |
| 4.3 稀疏表示异常检测方法的改进 | 第38-41页 |
| 4.3.1 快速稀疏近似算法 | 第38-39页 |
| 4.3.2 时间与空间复杂度分析 | 第39-40页 |
| 4.3.3 融合快速稀疏近似算法 | 第40-41页 |
| 4.4 本章小结 | 第41-42页 |
| 第5章 系统实现与实验结果 | 第42-50页 |
| 5.1 引言 | 第42页 |
| 5.2 系统实现 | 第42-44页 |
| 5.2.1 实验开发环境 | 第42页 |
| 5.2.2 系统实现框架 | 第42-44页 |
| 5.3 实验结果分析 | 第44-49页 |
| 5.3.1 时空 MRF 方法的实验结果 | 第44-45页 |
| 5.3.2 稀疏表示方法的实验结果 | 第45-49页 |
| 5.4 本章小结 | 第49-50页 |
| 结论 | 第50-51页 |
| 参考文献 | 第51-56页 |
| 致谢 | 第56页 |
