| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第13-20页 |
| 1.1 课题研究背景及意义 | 第13-14页 |
| 1.2 课题关键技术及国内外研究现状 | 第14-17页 |
| 1.2.1 异常行为分析研究现状 | 第14-16页 |
| 1.2.2 智能监控视频系统国内外研究现状 | 第16-17页 |
| 1.3 本文主要研究内容 | 第17-18页 |
| 1.4 本文内容安排 | 第18-20页 |
| 第二章 运动前景提取技术 | 第20-31页 |
| 2.1 常用动目标检测技术 | 第20-22页 |
| 2.1.1 光流分析法 | 第20-21页 |
| 2.1.2 时域差分法 | 第21页 |
| 2.1.3 背景差分法 | 第21-22页 |
| 2.2 前景提取 | 第22-27页 |
| 2.2.1 传统高斯混合模型 | 第22-25页 |
| 2.2.2 改进后的高斯混合模型 | 第25页 |
| 2.2.3 图像平滑和形态学处理 | 第25-27页 |
| 2.3 实验结果与分析 | 第27-29页 |
| 2.4 本章小结 | 第29-31页 |
| 第三章 基于光流方向区间的运动异常行为检测识别研究 | 第31-57页 |
| 3.1 算法概述 | 第31-32页 |
| 3.2 运动信息获取 | 第32-37页 |
| 3.2.1 金字塔LK光流法 | 第32-36页 |
| 3.2.2 区域光流特征 | 第36-37页 |
| 3.3 行为描述特征建立 | 第37-39页 |
| 3.3.1 光流方向直方图 | 第38页 |
| 3.3.2 基于角度区间的光流平均幅值 | 第38-39页 |
| 3.4 特征量优化 | 第39-44页 |
| 3.5 运动异常识别分类 | 第44-52页 |
| 3.5.1 支持向量机原理 | 第45-50页 |
| 3.5.2 多分类方法 | 第50-52页 |
| 3.6 实验结果与分析 | 第52-56页 |
| 3.6.1 行为识别分类器评估 | 第52-55页 |
| 3.6.2 运动异常行为检测结果及分析 | 第55-56页 |
| 3.7 本章小结 | 第56-57页 |
| 第四章 结合人群密度和运动信息的群体异常行为检测识别研究 | 第57-77页 |
| 4.1 算法概述 | 第57-58页 |
| 4.2 人群密度估计 | 第58-67页 |
| 4.2.1 摄像机透视效应 | 第58-59页 |
| 4.2.2 归一化前景面积 | 第59-62页 |
| 4.2.3 二维联合熵 | 第62-63页 |
| 4.2.4 人群密度检测指标 | 第63页 |
| 4.2.5 实验结果与分析 | 第63-67页 |
| 4.3 基于前景角点的运动特征 | 第67-70页 |
| 4.3.1 Shi-Tomasi角点检测 | 第67-68页 |
| 4.3.2 前景角点的光流特征 | 第68页 |
| 4.3.3 光流运动能量 | 第68-69页 |
| 4.3.4 光流方向熵 | 第69-70页 |
| 4.4 异常行为的检测指标 | 第70页 |
| 4.5 群体异常行为识别分析 | 第70-76页 |
| 4.6 本章小结 | 第76-77页 |
| 第五章 总结与展望 | 第77-79页 |
| 5.1 总结 | 第77页 |
| 5.2 展望 | 第77-79页 |
| 参考文献 | 第79-85页 |
| 致谢 | 第85-86页 |
| 在学期间的研究成果及发表的学术论文 | 第86页 |