| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 主要符号表 | 第19-22页 |
| 第一章 绪论 | 第22-29页 |
| 1.1 研究背景与意义 | 第22-24页 |
| 1.2 研究内容与创新点 | 第24-27页 |
| 1.3 本论文的组织结构 | 第27-29页 |
| 第二章 相关文献综述 | 第29-69页 |
| 2.1 引言 | 第29-30页 |
| 2.2 特征表达方法综述 | 第30-51页 |
| 2.2.1 概述 | 第30-32页 |
| 2.2.2 特征检测器 | 第32-35页 |
| 2.2.2.1 二维特征检测器 | 第32-34页 |
| 2.2.2.2 三维特征检测器 | 第34-35页 |
| 2.2.3 特征描述器 | 第35-48页 |
| 2.2.3.1 基于单帧的特征描述器 | 第35-41页 |
| 2.2.3.2 时空特征描述器 | 第41-48页 |
| 2.2.4 特征编码器 | 第48-51页 |
| 2.2.4.1 二维特征编码器 | 第48-50页 |
| 2.2.4.2 三维特征编码器 | 第50-51页 |
| 2.3 特征分类方法综述 | 第51-67页 |
| 2.3.1 概述 | 第51-53页 |
| 2.3.2 基于符号逻辑的分类器 | 第53-54页 |
| 2.3.3 基于统计方法的分类器 | 第54-58页 |
| 2.3.3.1 基于贝叶斯的分类器 | 第54-56页 |
| 2.3.3.2 基于实例的分类器 | 第56-58页 |
| 2.3.4 基于机器学习的分类器 | 第58-63页 |
| 2.3.4.1 基于支持向量的分类器 | 第58-60页 |
| 2.3.4.2 基于回归的分类器 | 第60-62页 |
| 2.3.4.3 基于深度学习的分类器 | 第62-63页 |
| 2.3.5 基于神经网络的分类器 | 第63-65页 |
| 2.3.6 基于集成组合的分类器 | 第65-67页 |
| 2.4 本章小结 | 第67-69页 |
| 第三章 基于潜组逻辑回归检测器的事件库表达方法 | 第69-104页 |
| 3.1 引言 | 第69-70页 |
| 3.2 相关工作 | 第70-71页 |
| 3.3 基于潜组逻辑回归检测器的事件库特征抽取框架 | 第71-72页 |
| 3.4 潜组逻辑回归检测器模型 | 第72-75页 |
| 3.4.1 基本概念 | 第72-73页 |
| 3.4.2 分类函数 | 第73-74页 |
| 3.4.3 ?_2,1正则化的逻辑回归损失函数 | 第74-75页 |
| 3.5 模型参数优化 | 第75-83页 |
| 3.5.1 基于坐标下降的框架 | 第75-77页 |
| 3.5.1.1 通过优化来生成新的训练样本集 | 第75页 |
| 3.5.1.2 通过梯度下降法来优化模型参数 | 第75-77页 |
| 3.5.2 模型参数学习算法 | 第77-78页 |
| 3.5.3 计算复杂度分析 | 第78-80页 |
| 3.5.4 相关初始化操作 | 第80-83页 |
| 3.5.4.1 初始化变形成本和偏差 | 第80页 |
| 3.5.4.2 初始化根滤波器 | 第80-81页 |
| 3.5.4.3 初始化部件滤波器 | 第81-83页 |
| 3.6 事件库特征描述器 | 第83-86页 |
| 3.6.1 查找Harris3D兴趣点 | 第83页 |
| 3.6.2 生成HOG特征金字塔 | 第83-85页 |
| 3.6.3 生成潜GLR分数金字塔 | 第85页 |
| 3.6.4 抽取事件库特征向量 | 第85-86页 |
| 3.6.5 相关实现细节 | 第86页 |
| 3.7 实验与结果分析 | 第86-102页 |
| 3.7.1 实验设置 | 第86-92页 |
| 3.7.1.1 数据集 | 第86-90页 |
| 3.7.1.2 评价标准 | 第90-92页 |
| 3.7.1.3 参数设置 | 第92页 |
| 3.7.2 从图像集获取潜GLR检测器模型 | 第92-94页 |
| 3.7.2.1 模型训练 | 第92-94页 |
| 3.7.2.2 模型测试 | 第94页 |
| 3.7.3 事件检测性能比较 | 第94-98页 |
| 3.7.3.1 对比算法设置 | 第95页 |
| 3.7.3.2 对比结果分析 | 第95-98页 |
| 3.7.4 事件检测性能分析 | 第98-102页 |
| 3.7.4.1 部件个数敏感性分析 | 第98页 |
| 3.7.4.2 组件个数敏感性分析 | 第98-99页 |
| 3.7.4.3 库维度大小敏感性分析 | 第99-100页 |
| 3.7.4.4 对象检测器类型敏感性分析 | 第100-102页 |
| 3.8 本章小结 | 第102-104页 |
| 第四章 基于?_2正则化逻辑高斯混合回归的分类方法 | 第104-131页 |
| 4.1 引言 | 第104-105页 |
| 4.2 相关工作 | 第105-107页 |
| 4.2.1 高斯混合模型 | 第105-106页 |
| 4.2.2 正则化学习 | 第106-107页 |
| 4.3 基于?_2正则化逻辑高斯混合回归的分类器模型LLGMM | 第107-108页 |
| 4.3.1 分类函数 | 第107-108页 |
| 4.3.2 ?_2正则化逻辑损失函数 | 第108页 |
| 4.4 模型参数优化 | 第108-117页 |
| 4.4.1 基于梯度下降的框架 | 第108-114页 |
| 4.4.1.1 求目标函数梯度 | 第108-113页 |
| 4.4.1.2 求最优下降步长 | 第113页 |
| 4.4.1.3 更新模型参数 | 第113-114页 |
| 4.4.1.4 检查收敛条件 | 第114页 |
| 4.4.2 模型参数学习算法 | 第114-115页 |
| 4.4.3 模型分类算法 | 第115-116页 |
| 4.4.4 计算复杂度分析 | 第116-117页 |
| 4.4.5 相关实现细节 | 第117页 |
| 4.5 实验与结果分析 | 第117-129页 |
| 4.5.1 实验设置 | 第118-119页 |
| 4.5.1.1 数据集 | 第118页 |
| 4.5.1.2 评价标准 | 第118页 |
| 4.5.1.3 参数设置 | 第118-119页 |
| 4.5.2 分类器性能比较 | 第119-124页 |
| 4.5.2.1 对比算法设置 | 第119页 |
| 4.5.2.2 对比结果分析 | 第119-124页 |
| 4.5.3 事件检测总体性能比较 | 第124页 |
| 4.5.4 事件检测性能分析 | 第124-129页 |
| 4.5.4.1 模型参数敏感性分析 | 第124-126页 |
| 4.5.4.2 特征类型敏感性分析 | 第126-127页 |
| 4.5.4.3 训练集大小鲁棒性分析 | 第127-128页 |
| 4.5.4.4 学习算法收敛性分析 | 第128-129页 |
| 4.6 本章小结 | 第129-131页 |
| 第五章 基于安全控制的在线多媒体事件检测 | 第131-154页 |
| 5.1 引言 | 第131-132页 |
| 5.2 相关工作 | 第132-133页 |
| 5.3 WEB环境下多媒体事件检测框架 | 第133-134页 |
| 5.4 基于权限服务树的访问控制模型 | 第134-138页 |
| 5.4.1 基本概念 | 第134-135页 |
| 5.4.2 模型的定义 | 第135页 |
| 5.4.3 模型的实现 | 第135-138页 |
| 5.4.3.1 基类的定义 | 第135-137页 |
| 5.4.3.2 权限服务树生成算法 | 第137-138页 |
| 5.5 扩展的大规模鲁棒对象库表达方法 | 第138-142页 |
| 5.5.1 概述 | 第138-139页 |
| 5.5.2 特征检测 | 第139页 |
| 5.5.3 特征抽取 | 第139-141页 |
| 5.5.3.1 基于关键帧的HOG特征金字塔生成 | 第139页 |
| 5.5.3.2 基于简化潜SVM检测器的响应金字塔生成 | 第139-140页 |
| 5.5.3.3 基于空间金字塔的 1000OBK特征向量生成 | 第140-141页 |
| 5.5.4 特征编码 | 第141-142页 |
| 5.6 计算复杂度分析 | 第142-143页 |
| 5.7 实验与结果分析 | 第143-153页 |
| 5.7.1 实验设置 | 第143-145页 |
| 5.7.1.1 数据集 | 第143页 |
| 5.7.1.2 评价标准 | 第143页 |
| 5.7.1.3 参数设置 | 第143-145页 |
| 5.7.2 访问控制性能分析 | 第145-147页 |
| 5.7.2.1 位图与元权限长度敏感性分析 | 第145-146页 |
| 5.7.2.2 线程池尺寸敏感性分析 | 第146-147页 |
| 5.7.3 事件检测性能分析 | 第147-153页 |
| 5.7.3.1 与基准算法的检测性能对比分析 | 第147-150页 |
| 5.7.3.2 与基准算法的计算性能对比分析 | 第150-151页 |
| 5.7.3.3 训练集大小鲁棒性分析 | 第151页 |
| 5.7.3.4 扩展对象库尺寸敏感性分析 | 第151-153页 |
| 5.8 本章小结 | 第153-154页 |
| 总结与展望 | 第154-157页 |
| 工作总结 | 第154-155页 |
| 研究展望 | 第155-157页 |
| 参考文献 | 第157-189页 |
| 攻读博士学位期间取得的研究成果 | 第189-191页 |
| 致谢 | 第191-193页 |
| 附件 | 第193页 |
