摘要 | 第4-5页 |
ABSTRACT | 第5-6页 |
第一章 绪论 | 第9-17页 |
1.1 研究背景与意义 | 第9-10页 |
1.2 视频运动目标行动预测研究现状与存在问题 | 第10-13页 |
1.2.1 视频运动目标行动预测国内外研究现状 | 第10-12页 |
1.2.2 行动预测存在的问题及本文解决方法 | 第12-13页 |
1.3 视频典型目标异常检测研究现状与存在问题 | 第13-16页 |
1.3.1 视频典型目标异常检测国内外研究现状 | 第13-15页 |
1.3.2 异常检测存在的问题及本文解决方法 | 第15-16页 |
1.4 论文内容组织与安排 | 第16-17页 |
第二章 基于运动状态的视频典型目标行动理解和预测算法 | 第17-51页 |
2.1 视频典型目标检测方法 | 第17-23页 |
2.1.1 常用的视频目标检测算法 | 第17-19页 |
2.1.2 改进的运动模板和HSV直方图匹配的运动目标检测方法 | 第19-23页 |
2.2 视频典型目标运动状态特征提取方法 | 第23-29页 |
2.2.1 基于改进的运动模板和直方图匹配法的发射状态特征的提取 | 第23-24页 |
2.2.2 基于质心算法的运动状态特征提取 | 第24-26页 |
2.2.3 基于Hough概率的道路特征提取方法 | 第26-29页 |
2.3 基于优化的联结树的行动推理算法 | 第29-40页 |
2.3.1 常用的基于不确定性的推理算法 | 第30-33页 |
2.3.2 基于优化的联结树的行动推理算法 | 第33-36页 |
2.3.3 基于专家先验知识的联结树推理算法的初始化 | 第36-38页 |
2.3.4 基于运动状态的视频目标的行动理解和预测算法 | 第38-40页 |
2.4 实验比较结果与分析 | 第40-50页 |
2.4.1 实验环境 | 第40页 |
2.4.2 实验数据特性分析 | 第40-42页 |
2.4.3 实验结果与分析 | 第42-50页 |
2.5 本章总结 | 第50-51页 |
第三章 基于社交长短时记忆网络视频典型目标异常检测算法 | 第51-80页 |
3.1 基于改进TLD的视频多目标的轨迹检测方法 | 第51-57页 |
3.1.1 常用的视频目标轨迹检测算法 | 第51-55页 |
3.1.2 基于改进TLD算法的视频多目标轨迹获取方法 | 第55-57页 |
3.1.3 视频目标轨迹的预处理 | 第57页 |
3.2 视频典型目标异常指标库的构建 | 第57-60页 |
3.3 基于社交长短时记忆网络的视频典型目标异常检测算法 | 第60-67页 |
3.3.1 社交长短时记忆网络的构建 | 第60-64页 |
3.3.2 上下文特征提取方法 | 第64-65页 |
3.3.3 基于社交长短时记忆网络的视频典型目标轨迹预测方法 | 第65-66页 |
3.3.4 融合异常指标库及环境特征的视频典型目标异常类型检测 | 第66-67页 |
3.4 实验比较结果与分析 | 第67-79页 |
3.4.1 实验数据特性分析 | 第67-68页 |
3.4.2 实验结果与分析 | 第68-79页 |
3.5 本章总结 | 第79-80页 |
第四章 结论与展望 | 第80-82页 |
4.1 研究内容总结 | 第80-81页 |
4.2 进一步研究展望 | 第81-82页 |
参考文献 | 第82-87页 |
在学期间的研究成果 | 第87-88页 |
致谢 | 第88页 |