| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 监控视频异常检测研究现状 | 第11-15页 |
| 1.2.1 基于特定规则的异常检测研究现状 | 第12页 |
| 1.2.2 基于概率模型的异常检测研究现状 | 第12-13页 |
| 1.2.3 基于分类器的异常检测研究现状 | 第13-14页 |
| 1.2.4 基于稀疏编码的异常检测研究现状 | 第14-15页 |
| 1.2.5 基于深度学习的异常检测研究现状 | 第15页 |
| 1.3 本文的主要研究内容 | 第15-16页 |
| 1.4 本文组织结构 | 第16-18页 |
| 第2章 相关技术及基础 | 第18-28页 |
| 2.1 常用特征 | 第18-24页 |
| 2.1.1 外观特征 | 第18-21页 |
| 2.1.2 运动特征 | 第21-24页 |
| 2.2 稀疏编码 | 第24-25页 |
| 2.3 字典更新方法 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基于光流幅值分布特点的变尺度3D-HOF | 第28-38页 |
| 3.1 引言 | 第28页 |
| 3.2 基于HOF改进的特征 | 第28-33页 |
| 3.3 提取变尺度3D-HOF特征 | 第33-35页 |
| 3.3.1 确定光流幅值的变尺度区间 | 第33-34页 |
| 3.3.2 确定各变尺度区间的光流幅值尺度 | 第34-35页 |
| 3.3.3 提取时空块的变尺度3D-HOF特征 | 第35页 |
| 3.4 本章小结 | 第35-38页 |
| 第4章 基于多区域变尺度3D-HOF的监控视频异常检测算法 | 第38-56页 |
| 4.1 引言 | 第38-39页 |
| 4.2 检测单元 | 第39页 |
| 4.3 基于光流幅值分布相似度的分区算法 | 第39-41页 |
| 4.4 特征提取 | 第41-43页 |
| 4.5 基于稀疏组合学习建立正常事件组合集 | 第43-45页 |
| 4.6 基于稀疏组合学习的异常检测和组合集更新 | 第45-47页 |
| 4.7 实验结果与分析 | 第47-53页 |
| 4.7.1 评测准则 | 第47-48页 |
| 4.7.2 UCSD Ped1数据集 | 第48-51页 |
| 4.7.3 UCSD Ped2数据集 | 第51-53页 |
| 4.8 本章小结 | 第53-56页 |
| 第5章 监控视频异常检测系统 | 第56-64页 |
| 5.1 系统设计 | 第56-58页 |
| 5.2 系统功能 | 第58-62页 |
| 5.2.1 系统开发环境 | 第58页 |
| 5.2.2 系统界面设计及功能实现 | 第58-62页 |
| 5.3 系统评估 | 第62-63页 |
| 5.4 本章小结 | 第63-64页 |
| 结论 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 攻读硕士期间的主要科研成果 | 第70-72页 |
| 致谢 | 第72页 |