| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 目录 | 第6-8页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题背景及意义 | 第8-9页 |
| 1.2 相关领域研究现状 | 第9-12页 |
| 1.2.1 行人检测 | 第9-10页 |
| 1.2.2 行人跟踪 | 第10-11页 |
| 1.2.3 事件检测 | 第11-12页 |
| 1.3 论文研究成果 | 第12-13页 |
| 1.4 论文结构安排 | 第13-14页 |
| 第二章 基于Edgelet-LBP特征的行人检测算法 | 第14-33页 |
| 2.1 引言 | 第14-15页 |
| 2.2 经典行人检测特征简介 | 第15-16页 |
| 2.3 基于Edgelet-LBP特征的行人检测算法 | 第16-27页 |
| 2.3.1 Edgelet特征 | 第17-18页 |
| 2.3.2 LBP特征 | 第18-19页 |
| 2.3.3 Real Adaboost算法原理 | 第19-22页 |
| 2.3.4 特征融合 | 第22-23页 |
| 2.3.5 学习部件检测子 | 第23-26页 |
| 2.3.6 行人检测方法 | 第26-27页 |
| 2.4 实验结果与分析 | 第27-31页 |
| CAVIAR 行人库 | 第29页 |
| TRECVID SED库 | 第29-30页 |
| INRIA行人库和ETH行人库 | 第30-31页 |
| 2.5 本章小结 | 第31-33页 |
| 第三章 基于解广义最小团问题的多目标跟踪算法 | 第33-45页 |
| 3.1 引言 | 第33-34页 |
| 3.2 基于解广义最小团问题的多目标跟踪算法 | 第34-43页 |
| 3.2.1 广义最小团问题定义 | 第34-35页 |
| 3.2.2 禁忌搜索算法 | 第35-37页 |
| 3.2.3 基于广义最小团问题的多目标跟踪算法 | 第37-42页 |
| 3.2.4 对基于GMCP的多目标跟踪算法的修改和改进 | 第42-43页 |
| 3.3 实验结果与分析 | 第43-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第四章 监控视频中的事件检测算法 | 第45-61页 |
| 4.1 引言 | 第45-46页 |
| 4.2 TRECVID SED竞赛简介 | 第46-48页 |
| 4.3 特征提取 | 第48-53页 |
| 4.3.1 MoSIFT特征 | 第48-49页 |
| 4.3.2 基于密集轨迹的时空特征 | 第49-51页 |
| 4.3.3 基于光流旋度兴趣点的时空特征 | 第51-52页 |
| 4.3.4 基于人体姿态估计的特征 | 第52-53页 |
| 4.4 Bag of Word分类方法 | 第53-54页 |
| 4.5 事件检测算法 | 第54-57页 |
| 4.5.1 基于空间分块的事件检测方法 | 第54-56页 |
| 4.5.2 基于行人检测与跟踪的事件检测方法 | 第56-57页 |
| 4.6 实验结果与分析 | 第57-59页 |
| 4.7 本章小结 | 第59-61页 |
| 第五章 总结与展望 | 第61-64页 |
| 5.1 本文总结 | 第61-62页 |
| 5.2 未来工作展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-70页 |
| 攻读学位期间发表或已录用的学术论文 | 第70页 |
