| 摘要 | 第4-6页 |
| Abstract | 第6-8页 |
| 第1章 绪论 | 第14-28页 |
| 1.1 课题的研究背景与意义 | 第14页 |
| 1.2 人体异常行为检测研究现状 | 第14-18页 |
| 1.3 深度学习研究现状 | 第18-24页 |
| 1.4 本文研究内容 | 第24-26页 |
| 1.5 章节安排 | 第26-28页 |
| 第2章 面向异常行为检测的肤色分割算法 | 第28-47页 |
| 2.1 引言 | 第28页 |
| 2.2 传统肤色分割方法研究现状 | 第28-31页 |
| 2.3 基于堆栈自编码器的肤色分割方法 | 第31-36页 |
| 2.3.1 数据预处理 | 第32-33页 |
| 2.3.2 堆栈自编码器训练 | 第33-35页 |
| 2.3.3 基于堆栈自编码器的肤色检测 | 第35-36页 |
| 2.4 肤色分割实验与分析 | 第36-46页 |
| 2.4.1 实验数据集 | 第36-37页 |
| 2.4.2 实验分析 | 第37-46页 |
| 2.5 本章小结 | 第46-47页 |
| 第3章 基于肤色分割的近景异常行为检测 | 第47-66页 |
| 3.1 引言 | 第47页 |
| 3.2 近景异常行为检测研究现状 | 第47-49页 |
| 3.3 近景异常行为检测框架 | 第49-50页 |
| 3.4 基于肤色分割的背景去除算法 | 第50-52页 |
| 3.5 基于几何模型的手掌定位与追踪 | 第52-55页 |
| 3.6 光流能量检测 | 第55-57页 |
| 3.7 基于动态时间规整的轨迹识别 | 第57-59页 |
| 3.8 近景异常行为检测实验与分析 | 第59-65页 |
| 3.8.1 实验数据集 | 第59-60页 |
| 3.8.2 近景肤色分割 | 第60-61页 |
| 3.8.3 近景视频中的手掌定位 | 第61-62页 |
| 3.8.4 近景视频中的能量检测 | 第62-63页 |
| 3.8.5 近景视频中的轨迹识别 | 第63-65页 |
| 3.9 本章小结 | 第65-66页 |
| 第4章 面向远景异常行为检测的卷积神经网络模型改进 | 第66-91页 |
| 4.1 引言 | 第66-67页 |
| 4.2 卷积神经网络在物体检测领域研究现状 | 第67-69页 |
| 4.3 特征融合 | 第69-75页 |
| 4.3.1 越层特征 | 第72-73页 |
| 4.3.2 上下文学习 | 第73-75页 |
| 4.4 候选区域的优化 | 第75-77页 |
| 4.5 远景异常行为检测实验与分析 | 第77-90页 |
| 4.5.1 实验设计 | 第77-78页 |
| 4.5.2 特征融合对网络的影响 | 第78-82页 |
| 4.5.3 数据增强对网络的影响 | 第82-84页 |
| 4.5.4 物体检测实验分析 | 第84-86页 |
| 4.5.5 网络在远景异常行为检测检测任务中的表现 | 第86-90页 |
| 4.6 本章小结 | 第90-91页 |
| 第5章 基于多流CNN的远景异常行为检测 | 第91-111页 |
| 5.1 引言 | 第91页 |
| 5.2 远景行为检测算法研究现状 | 第91-93页 |
| 5.3 远景异常行为检测模型设计 | 第93-103页 |
| 5.3.1 原始的双流CNN | 第93-95页 |
| 5.3.2 光流数据增强 | 第95-96页 |
| 5.3.3 场景识别CNN | 第96-101页 |
| 5.3.4 基于多流CNN的异常行为检测 | 第101-103页 |
| 5.4 实验与分析 | 第103-110页 |
| 5.4.1 数据集 | 第103-104页 |
| 5.4.2 光流数据增强实验分析 | 第104-105页 |
| 5.4.3 场景识别结果 | 第105-109页 |
| 5.4.4 远景异常行为检测结果 | 第109-110页 |
| 5.5 本章小结 | 第110-111页 |
| 结论 | 第111-113页 |
| 参考文献 | 第113-128页 |
| 附录1 环境感知CNN识别的UCF101的运动场景 | 第128-139页 |
| 攻读博士学位期间发表的论文及其它成果 | 第139-142页 |
| 致谢 | 第142-143页 |
| 个人简历 | 第143页 |
