| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第7-15页 |
| 1.1 研究背景 | 第7-8页 |
| 1.2 研究目的及意义 | 第8页 |
| 1.3 国内外研究现状 | 第8-14页 |
| 1.3.1 目标提取 | 第8-11页 |
| 1.3.2 异常行为检测 | 第11-14页 |
| 1.4 内容结构安排 | 第14页 |
| 1.5 本章小结 | 第14-15页 |
| 第二章 图像预处理与深度学习的基本理论 | 第15-28页 |
| 2.1 图像预处理 | 第15-21页 |
| 2.1.1 颜色空间转换 | 第15-18页 |
| 2.1.2 图像滤波 | 第18-21页 |
| 2.1.3 形态学算子 | 第21页 |
| 2.2 行人目标检测 | 第21-26页 |
| 2.3.1 帧差法 | 第22-23页 |
| 2.3.2 光流法 | 第23-24页 |
| 2.3.3 背景建模法 | 第24-26页 |
| 2.3 深度学习相关理论 | 第26-27页 |
| 2.3.1 深度学习简介 | 第26页 |
| 2.3.2 深度学习的训练过程 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于阴影与鬼影检测规则的改进型ViBe算法 | 第28-38页 |
| 3.1 ViBe算法 | 第28-30页 |
| 3.2 IViBeA的设计与描述 | 第30-34页 |
| 3.2.1 阈值半径自适应更新 | 第30-31页 |
| 3.2.2 阴影检测 | 第31-32页 |
| 3.2.3 鬼影消除 | 第32-33页 |
| 3.2.4 改进型ViBe算法 | 第33-34页 |
| 3.3 实验结果与分析 | 第34-37页 |
| 3.3.1 阈值半径自适应性 | 第34-35页 |
| 3.3.2 阴影检测 | 第35页 |
| 3.3.3 鬼影检测 | 第35-36页 |
| 3.3.4 IViBeA算法的实验分析 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 行人行为识别 2D卷积神经网络 | 第38-56页 |
| 4.1 2D卷积神经网络 | 第38-45页 |
| 4.1.1 2D-CNN的结构及学习策略 | 第38-42页 |
| 4.1.2 2D-CNN的训练过程 | 第42-45页 |
| 4.2 基于2D-CNN的行人行为识别 | 第45-48页 |
| 4.2.1 2D-CNN的结构设计 | 第45-48页 |
| 4.3 数值实验与实验分析 | 第48-55页 |
| 4.3.1 测试集及其分析 | 第48-50页 |
| 4.3.2 实验结果与分析 | 第50-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第五章 行人行为识别 3D卷积神经网络 | 第56-65页 |
| 5.1 3D卷积神经网络的原理及结构 | 第56-60页 |
| 5.1.1 3D卷积原理 | 第56-57页 |
| 5.1.2 3D下采样原理 | 第57页 |
| 5.1.3 3D卷积神经网络的结构 | 第57-59页 |
| 5.1.4 基于多特征融合的 3D卷积神经网络 | 第59-60页 |
| 5.2 实验结果与分析 | 第60-63页 |
| 5.3 本章小结 | 第63-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 论文总结 | 第65-66页 |
| 6.2 下一步研究工作 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 附录：攻读硕士学位期间的研究成果 | 第72-73页 |