| 摘要 | 第4-7页 |
| abstract | 第7-10页 |
| 1 引言 | 第15-25页 |
| 1.1 研究背景及意义 | 第15-16页 |
| 1.2 国内外研究现状及发展动态分析 | 第16-20页 |
| 1.2.1 行为分析识别研究现状 | 第16-19页 |
| 1.2.2 行为识别应用现状 | 第19-20页 |
| 1.3 目前存在的问题 | 第20-21页 |
| 1.4 主要研究内容及论文结构 | 第21-25页 |
| 1.4.1 研究内容及创新点 | 第21-23页 |
| 1.4.2 论文结构安排 | 第23-25页 |
| 2 基于GMM-STMRF的视频目标检测方法 | 第25-45页 |
| 2.1 概述 | 第25页 |
| 2.2 基于模型的目标检测方法 | 第25-31页 |
| 2.2.1 基于高斯混合模型的运动目标检测 | 第25-29页 |
| 2.2.2 马尔科夫随机场模型 | 第29-31页 |
| 2.3 算法模型设计及流程 | 第31-32页 |
| 2.4 时空马尔可夫随机场 | 第32-33页 |
| 2.5 GMM-STMRF目标检测算法 | 第33-37页 |
| 2.5.1 基于GMM的STMRF模型训练 | 第33-35页 |
| 2.5.2 STMRF标记场更新 | 第35页 |
| 2.5.3 能量函数时空扩展 | 第35-36页 |
| 2.5.4 算法实现步骤 | 第36-37页 |
| 2.6 实验及结果分析 | 第37-44页 |
| 2.6.1 运行环境和场景参数 | 第37页 |
| 2.6.2 结果分析 | 第37-44页 |
| 2.7 本章小结 | 第44-45页 |
| 3 基于改进粒子滤波的视频目标跟踪方法 | 第45-65页 |
| 3.1 概述 | 第45页 |
| 3.2 标准粒子滤波方法 | 第45-48页 |
| 3.2.1 蒙特卡洛近似思想 | 第46-47页 |
| 3.2.2 序贯重要性采样 | 第47-48页 |
| 3.2.3 重要性重采样 | 第48页 |
| 3.3 算法模型设计及流程 | 第48-49页 |
| 3.4 系统多状态空间模型 | 第49-50页 |
| 3.4.1 多状态动态及观测模型 | 第49-50页 |
| 3.4.2 系统融合预测更新 | 第50页 |
| 3.5 基于改进粒子滤波目标跟踪算法 | 第50-57页 |
| 3.5.1 帧差并集粒子采样 | 第52-53页 |
| 3.5.2 粒子加权融合 | 第53-54页 |
| 3.5.3 系统状态模型估计输出 | 第54-55页 |
| 3.5.4 关键区域重要性重采样 | 第55-56页 |
| 3.5.5 算法实现步骤 | 第56-57页 |
| 3.6 实验及结果分析 | 第57-63页 |
| 3.6.1 运行环境和场景参数 | 第57页 |
| 3.6.2 目标检测跟踪实验结果比较 | 第57-58页 |
| 3.6.3 算法效果分析 | 第58-63页 |
| 3.7 本章小结 | 第63-65页 |
| 4 基于CNN和MIL的特征提取分类研究 | 第65-85页 |
| 4.1 概述 | 第65-66页 |
| 4.2 时空兴趣点提取及描述方法 | 第66-67页 |
| 4.2.1 基于 3D Harris的时空兴趣点提取 | 第66-67页 |
| 4.2.2 基于 3D Saliency的时空兴趣点提取 | 第67页 |
| 4.3 基于卷积神经网络的特征提取 | 第67-72页 |
| 4.3.1 卷积神经网络结构 | 第67页 |
| 4.3.2 时空特征融合输入 | 第67-68页 |
| 4.3.3 非线性多维卷积及降采样 | 第68-70页 |
| 4.3.4 模型改进计算框架 | 第70-72页 |
| 4.4 基于多示例学习的特征分类 | 第72-76页 |
| 4.4.1 多示例学习模型 | 第72-73页 |
| 4.4.2 特征示例选择 | 第73页 |
| 4.4.3 正示例集合选取 | 第73-74页 |
| 4.4.4 多示例SVM分类器 | 第74-76页 |
| 4.5 实验及结果分析 | 第76-82页 |
| 4.6 本章小结 | 第82-85页 |
| 5 基于膜计算的目标快速识别方法研究 | 第85-103页 |
| 5.1 概述 | 第85-86页 |
| 5.2 膜计算 | 第86-90页 |
| 5.2.1 膜计算发展及特点 | 第86-87页 |
| 5.2.2 膜计算模型 | 第87-89页 |
| 5.2.3 形式化表示 | 第89-90页 |
| 5.3 基于组织型P系统的目标快速检测方法 | 第90-97页 |
| 5.3.1 GMM并行处理改进 | 第90-93页 |
| 5.3.2 组织型P系统在目标检测中形式化表示 | 第93-95页 |
| 5.3.3 GMM训练阶段并行处理 | 第95-96页 |
| 5.3.4 GMM目标检测阶段并行处理 | 第96-97页 |
| 5.4 实验及结果分析 | 第97-101页 |
| 5.5 本章小结 | 第101-103页 |
| 6 总结与展望 | 第103-107页 |
| 6.1 论文工作总结 | 第103-104页 |
| 6.2 研究工作展望 | 第104-107页 |
| 参考 文献 | 第107-121页 |
| 致谢 | 第121-123页 |
| 作者简介 | 第123-124页 |