| 摘要 | 第4-6页 |
| ABSTRACT | 第6-8页 |
| 1 绪论 | 第18-36页 |
| 1.1 研究背景与意义 | 第18-23页 |
| 1.1.1 研究背景 | 第18-22页 |
| 1.1.2 研究意义 | 第22-23页 |
| 1.2 国内外相关研究综述 | 第23-32页 |
| 1.2.1 知识元及其在视频数据分析中的研究进展 | 第24页 |
| 1.2.2 基于骨架的单人行为识别研究进展 | 第24-26页 |
| 1.2.3 基于人群信息的群体行为识别研究进展 | 第26-29页 |
| 1.2.4 视频大数据分布式处理模式研究进展 | 第29-30页 |
| 1.2.5 现有研究存在的不足 | 第30-32页 |
| 1.3 研究内容与结构 | 第32-36页 |
| 1.3.1 研究内容 | 第32-33页 |
| 1.3.2 论文结构 | 第33-36页 |
| 2 基于知识的治安视频大数据的行人行为识别模式 | 第36-58页 |
| 2.1 问题提出 | 第36-38页 |
| 2.1.1 监控视频大数据的特性 | 第36-37页 |
| 2.1.2 视频大数据认知中知识的重要性 | 第37-38页 |
| 2.1.3 行人行为识别思路 | 第38页 |
| 2.2 行人相关知识元及图元属性 | 第38-50页 |
| 2.2.1 知识元及图元属性的概念和定义 | 第39-41页 |
| 2.2.2 视频数据中行人相关知识元 | 第41-45页 |
| 2.2.3 视频图像中基础知识元的图元属性 | 第45-50页 |
| 2.3 基于知识的行人信息挖掘框架 | 第50-57页 |
| 2.3.1 大数据环境下的基于知识的行人行为信息挖掘框架 | 第50-52页 |
| 2.3.2 行人图元属性挖掘框架 | 第52-54页 |
| 2.3.3 视频数据中基于知识元的行人行为识别具体流程 | 第54-57页 |
| 2.4 本章小结 | 第57-58页 |
| 3 基于知识元的骨架属性的单人行为识别方法研究 | 第58-89页 |
| 3.1 单人行为识别的问题提出 | 第58-61页 |
| 3.1.1 单人行为类别 | 第58页 |
| 3.1.2 单人图元骨架属性与行为信息的关系 | 第58-59页 |
| 3.1.3 单人行为的先验知识 | 第59-60页 |
| 3.1.4 识别方法框架 | 第60-61页 |
| 3.2 基于平行线簇的快速骨架属性提取算法 | 第61-77页 |
| 3.2.1 图元骨架属性挖掘算法流程 | 第62-68页 |
| 3.2.2 算法步骤描述及复杂性分析 | 第68-70页 |
| 3.2.3 实验验证及结果分析 | 第70-77页 |
| 3.3 基于模糊逻辑规则的单人行为识别方法 | 第77-87页 |
| 3.3.1 基于骨架属性先验知识的单人行为规则构建 | 第77-82页 |
| 3.3.2 模糊逻辑行为识别模型 | 第82-86页 |
| 3.3.3 实例说明 | 第86-87页 |
| 3.4 本章小结 | 第87-89页 |
| 4 基于知识的行人群体性行为识别方法研究 | 第89-126页 |
| 4.1 行人群体性行为识别的问题提出 | 第89-92页 |
| 4.1.1 群体性行为类别 | 第89页 |
| 4.1.2 群体性行为与多人图元人数属性 | 第89-90页 |
| 4.1.3 群体性行为先验知识 | 第90-91页 |
| 4.1.4 识别方法框架 | 第91-92页 |
| 4.2 图元网络与收缩网络 | 第92-98页 |
| 4.2.1 图元网络的建立 | 第93-97页 |
| 4.2.2 收缩网络方法 | 第97-98页 |
| 4.3 多人图元的人数属性信息挖掘算法 | 第98-118页 |
| 4.3.1 基于图元网络的图元人数属性挖掘算法 | 第99-112页 |
| 4.3.2 基于收缩图的图元人数属性挖掘算法 | 第112-118页 |
| 4.4 基于行人图元属性的行人群体性行为识别方法 | 第118-124页 |
| 4.4.1 基于先验知识的群体性行为规则构建 | 第118-121页 |
| 4.4.2 模糊逻辑行为识别模型 | 第121-123页 |
| 4.4.3 实例说明 | 第123-124页 |
| 4.5 本章小结 | 第124-126页 |
| 5 行人信息分布式挖掘方法及相关系统实现 | 第126-146页 |
| 5.1 分布式系统实现背景 | 第126-129页 |
| 5.1.1 系统应用背景 | 第126-127页 |
| 5.1.2 多摄像机地理位置知识关联 | 第127页 |
| 5.1.3 多摄像机视频分布式管理系统框架 | 第127-129页 |
| 5.2 视频大数据的分布式行人信息挖掘示例 | 第129-135页 |
| 5.2.1 大数据分布式环境 | 第129-130页 |
| 5.2.2 分布式人群计数系统模型 | 第130-135页 |
| 5.3 基于知识的行人信息挖掘相关框架的系统实现 | 第135-145页 |
| 5.3.1 基于典型案件和突发异常知识元的视频知识仓库系统 | 第136-140页 |
| 5.3.2 基于知识元的海量视频行人属性信息挖掘系统 | 第140-143页 |
| 5.3.3 基于监控视频的治安案件自动预警系统 | 第143-145页 |
| 5.4 本章小结 | 第145-146页 |
| 6 结论与展望 | 第146-150页 |
| 6.1 研究结论 | 第146-147页 |
| 6.2 创新点 | 第147-148页 |
| 6.3 研究展望 | 第148-150页 |
| 参考文献 | 第150-160页 |
| 攻读博士学位期间科研项目及科研成果 | 第160-161页 |
| 致谢 | 第161-162页 |
| 作者简介 | 第162页 |
