視頻事件的分析與理解

第1章 引言
1.1 視頻事件分析與理解的背景和意義
1.2 目標檢測的研究現狀
1.2.1 基于HOG/SVM的行人檢測
1.2.2 基于可變形部件模型的行人檢測
1.2.3 基于深度神經網絡的行人檢測
1.2.4 基于特征融合的行人檢測
1.2.5 行人檢測中的分類器
1.2.6 行人檢測數據集
1.3 目標跟蹤的研究現狀
1.3.1 目標表示
1.3.2 統計建模
1.3.3 目標跟蹤數據集
1.4 視頻事件分析與理解的研究現狀
1.4.1 視頻事件中的相關術語
1.4.2 視頻事件的特征表示
1.4.3 視頻事件的建模方法
1.4.4 視頻事件數據集
1.5 關于本書
第2章 視頻中的目標檢測算法
2.1 基于深度通道特征的行人檢測方法
2.1.1 深度卷積神經網絡與稀疏濾波
2.1.2 深度通道特征
2.1.3 深度通道特征的提取
2.1.4 基于深度通道特征的行人檢測
2.1.5 實驗結果
2.2 基于特征共享和聯合Boosting方法的物體檢測方法
2.2.1 基于滑動窗口和二分類器的物體檢測框架
2.2.2 二分類Boosting方法
2.2.3 共享特征與多分類Boosting方法
2.2.4 實驗結果
2.3 本章小結
第3章 視頻中的目標跟蹤算法
3.1 基于多分量可變部件模型的行人跟蹤方法
3.1.1 行人可變部件模型及其初始化
3.1.2 多分量可變部件模型
3.1.3 基于多分量可變部件模型的跟蹤算法
3.1.4 自頂向下與自底向上相結合的跟蹤框架
3.1.5 實驗結果
3.2 基于錨點標簽傳播的物體跟蹤方法
3.2.1 問題描述
3.2.2 求解最優(yōu)H
3.2.3 求解軟標簽預測矩陣A
3.2.4 軟標簽傳播
3.2.5 基于標簽傳播模型的跟蹤算法
3.2.6 實驗結果
3.3 本章小結
第4章 事件時序與或圖模型的學習
4.1 事件模型的定義
4.1.1 一元和二元關系
4.1.2 原子動作
4.1.3 時序與或圖模型
4.1.4 子節(jié)點之間的時序關系
4.1.5 解析圖
4.2 事件模型的學習
4.2.1 一元和二元關系的檢測
4.2.2 原子動作的學習
4.2.3 事件模型的學習
4.3 實驗結果
4.3.1 實驗數據
4.3.2 時序與或圖學習結果
4.3.3 所學的模型有益于場景語義的識別
4.4 本章小結
第5章 基于時序與或圖模型的視頻事件解析
5.1 時序與或圖與隨機上下文相關文法
5.2 Earley在線解析算法
5.3 改進的Earley解析算法
5.4 事件解析的定義
5.5 對事件的解析
5.6 實驗
5.6.1 原子動作識別
5.6.2 事件解析
5.6.3 意圖預測
5.6.4 事件補全
5.7 本章小結
第6章 基于關鍵原子動作和上下文信息的事件解析
6.1 基于關鍵原子動作的事件解析
6.1.1 原子動作權值的學習
6.1.2 帶有原子動作權值的事件解析圖
6.1.3 基于原子動作權值的事件可識別度
6.1.4 實驗結果
6.2 基于社會角色的事件分析
6.2.1 相關工作
6.2.2 角色建模與推斷
6.2.3 基于角色的事件識別
6.2.4 實驗結果
6.3 基于群體和環(huán)境上下文的事件識別
6.3.1 相關工作
6.3.2 基于場景上下文的事件識別
6.3.3 基于群體上下文的事件識別
6.3.4 基于場景和群體上下文的事件識別
6.3.5 實驗結果
6.4 本章小結
參考文獻