| 摘要 | 第1-7页 |
| ABSTRACT | 第7-10页 |
| 目录 | 第10-13页 |
| 第一章 绪论 | 第13-23页 |
| ·研究的背景和意义 | 第13-17页 |
| ·传统视频监控的不足 | 第14-15页 |
| ·智能视频监控的应用领域 | 第15-17页 |
| ·智能视频监控研究的现状 | 第17-20页 |
| ·本文的研究内容和创新点 | 第20-22页 |
| ·本文的框架结构 | 第22-23页 |
| 第二章 基础技术的研究与实现 | 第23-42页 |
| ·引言 | 第23页 |
| ·背景建模与运动检测 | 第23-31页 |
| ·时序中值滤波 | 第25页 |
| ·增量式高斯平均 | 第25页 |
| ·混和高斯模型 | 第25-26页 |
| ·核密度估计 | 第26页 |
| ·顺序核密度近似 | 第26-27页 |
| ·特征背景建模 | 第27-28页 |
| ·本文采用的方法与结果 | 第28-31页 |
| ·目标跟踪算法 | 第31-37页 |
| ·条件概率密度传播跟踪方法 | 第31-32页 |
| ·Mean-shift 跟踪方法 | 第32-35页 |
| ·跟踪结果 | 第35-37页 |
| ·遮挡情况下的目标跟踪处理 | 第37-41页 |
| ·目标的自适应分块 | 第38页 |
| ·多子块的灰度相关匹配算法 | 第38-40页 |
| ·多子块灰度相关匹配跟踪结果 | 第40-41页 |
| ·本章小结 | 第41-42页 |
| 第三章 运动目标识别与人体检测 | 第42-73页 |
| ·目标识别技术综述与本章目标 | 第42-48页 |
| ·静态目标识别方法 | 第42-44页 |
| ·动态目标识别方法 | 第44-47页 |
| ·本文的技术路线 | 第47-48页 |
| ·子空间降维与流形学习降维方法 | 第48-62页 |
| ·子空间降维方法 | 第49-52页 |
| ·Principal Component Analysis | 第49-50页 |
| ·Linear Discriminant Analysis | 第50-51页 |
| ·Independent Component Analysis | 第51-52页 |
| ·流形学习降维方法 | 第52-61页 |
| ·流形学习原理与数学定义 | 第53-55页 |
| ·Locally Linear Embedding | 第55-58页 |
| ·Laplacian Eigenmap | 第58-60页 |
| ·Locality Preserving Projection | 第60-61页 |
| ·降维方法用于目标识别和分类的一般步骤 | 第61-62页 |
| ·基于图嵌入框架的边缘fisher 判别 | 第62-65页 |
| ·图嵌入框架 | 第62-64页 |
| ·边缘fisher 判别技术 | 第64-65页 |
| ·边缘fisher 判别在运动目标识别中的应用 | 第65-72页 |
| ·训练库的建立 | 第66-67页 |
| ·运动目标识别试验结果 | 第67-70页 |
| ·结果分析 | 第70-72页 |
| ·本章小结 | 第72-73页 |
| 第四章 场景中的异常行为检测分析与SCED 轨迹距离算法 | 第73-98页 |
| ·场景中异常行为分析综述和目标 | 第73-80页 |
| ·异常行为的概念和定义 | 第73-74页 |
| ·国内外研究现状 | 第74-76页 |
| ·本文的研究思路与系统框架 | 第76-80页 |
| ·行为特征的定义和描述 | 第77-78页 |
| ·统一特征建模 | 第78-79页 |
| ·系统框架 | 第79-80页 |
| ·SCED 轨迹距离计算方法 | 第80-93页 |
| ·轨迹建模与距离计算方法概述 | 第82-83页 |
| ·SCED 算法思想与设计 | 第83-88页 |
| ·框架的定义 | 第87页 |
| ·惩罚函数的定义 | 第87-88页 |
| ·SCED 算法性能实验 | 第88-93页 |
| ·对比实验 | 第88-91页 |
| ·聚类效果实验 | 第91-92页 |
| ·分段情况性能实验 | 第92-93页 |
| ·小结 | 第93页 |
| ·异常行为检测的实际应用 | 第93-97页 |
| ·预定义异常行为检测（监督情况下） | 第93-95页 |
| ·未知异常模式的异常行为检测（非监督情况下） | 第95-97页 |
| ·本章小结 | 第97-98页 |
| 第五章 基于DBN 的复杂异常行为建模与检测 | 第98-140页 |
| ·引言 | 第98-104页 |
| ·研究的出发点 | 第98-100页 |
| ·国内外研究现状 | 第100-101页 |
| ·本章的研究思路 | 第101-104页 |
| ·拓扑结构设计 | 第102-103页 |
| ·训练样本的特征定义 | 第103-104页 |
| ·动态贝叶斯网络理论概述 | 第104-127页 |
| ·图模型 | 第104-106页 |
| ·贝叶斯网络 | 第106-108页 |
| ·动态贝叶斯网络 | 第108-121页 |
| ·表达 | 第108-109页 |
| ·推理 | 第109-120页 |
| ·学习 | 第120-121页 |
| ·HMM 与DBN 的比较 | 第121-127页 |
| ·拓扑对比 | 第122-125页 |
| ·推导学习算法对比 | 第125-127页 |
| ·基于SML-HMM 的行为建模与异常行为检测 | 第127-134页 |
| ·最优连接树生成 | 第127-129页 |
| ·模型的训练 | 第129-133页 |
| ·新样本的识别 | 第133-134页 |
| ·实验分析与总结 | 第134-139页 |
| ·异常行为训练模式 | 第134-136页 |
| ·建模性能比较 | 第136-139页 |
| ·本章小结 | 第139-140页 |
| 第六章 总结与展望 | 第140-143页 |
| ·全文工作总结 | 第140-141页 |
| ·未来研究工作展望 | 第141-143页 |
| 参考文献 | 第143-154页 |
| 致谢 | 第154-155页 |
| 攻读博士学位期间发表、撰写的论文 | 第155页 |
