人群异常行为数字图像处理与分析

目 录 第1章 人群异常行为图像研究背景与意义 1.1 人群异常行为图像研究背景 2 1.1.1 我国轨道交通客流运输的发展现状 5 1.1.2 我国轨道交通客流运输面临的安全问题 7 1.2 人群异常行为图像研究的意义 11 1.3 人群异常行为图像研究现状 15 1.4 人群异常行为图像研究内容 18 1.4.1 人群流量统计技术 18 1.4.2 人群聚集检测技术 19 1.4.3 人群散逃检测技术 20 1.4.4 人群密度检测技术 20 1.4.5 人员打架检测技术 21 1.4.6 人员倒地检测技术 22 1.4.7 人员徘徊检测技术 22 1.4.8 快速奔跑检测技术 23 1.4.9 不文明行为检测技术 23 1.4.10 吸烟点火检测技术 24 1.4.11 异常跨线检测技术 24 1.4.12 人员区域入侵技术 25 1.4.13 人员翻越检测技术 25 1.4.14 人员图像追踪技术 26 1.4.15 人群人脸抓拍技术 27 1.4.16 人群人脸识别技术 27 1.4.17 遗留物检测技术 28 1.4.18 物体丢失检测技术 29 1.5 人群异常行为图像研究思路和方法 29 1.5.1 人群异常行为图像研究的思路 30 1.5.2 人群异常行为图像研究的方法 32 第2章 人群异常行为图像预处理方法 2.1 图像色彩空间转换 38 2.1.1 色彩空间模型技术 38 2.1.2 色彩空间模型的变换 50 2.1.3 色彩空间变换的应用 54 2.2 图像直方图分析 60 2.2.1图像直方图原理 60 2.2.2 图像直方图的绘制 61 2.2.3 图像直方图的应用 64 2.3 图像运算处理 68 2.3.1 图像点运算 69 2.3.2 图像算术运算 70 2.3.3 图像几何运算 77 2.3.4 图像逻辑运算 85 2.4 图像中图形绘制与标示 90 2.4.1 在图像中绘制直线 90 2.4.2 在图像中绘制矩形 92 2.4.3 在图像中绘制圆形 94 2.4.4 在图像中绘制椭圆 95 2.5 图像数据三维封装 97 第3章 人群异常行为图像增强技术 3.1 灰度变换技术及方法 102 3.1.1 灰度变换技术 102 3.1.2 灰度变换方法 105 3.2 中值滤波技术及方法 110 3.2.1 中值滤波原理 110 3.2.2 中值滤波方法 111 3.2.3 一种自适应中值滤波处理方法 112 3.3 同态滤波技术及方法 115 3.3.1 同态滤波原理 115 3.3.2 同态滤波处理方法 116 3.3.3 同态滤波的应用 117 3.4 形态学技术及方法 120 3.4.1 形态学方法 120 3.4.2 形态学应用 129 第4章 人群异常行为图像分割技术 4.1 阈值分割技术及方法 134 4.1.1 阈值分割原理 134 4.1.2 阈值分割方法 135 4.2 基于微分算子的边缘检测技术 147 4.2.1 边缘检测原理 147 4.2.2 边缘检测方法 148 4.3 基于聚类分析的图像分割方法 160 4.3.1 K-means聚类分析算法基本思想 161 4.3.2 一种基于K-means聚类分析的图像分割算法 162 4.4 基于分水岭算法的图像分割方法 165 4.4.1 基于分水岭算法的图像分割原理 165 4.4.2 基于标记的分水岭图像分割方法 167 4.4.3 基于分水岭的图像分割方法应用 168 4.5 基于多尺度小波分析的图像分割方法 170 4.5.1 多尺度小波分析技术 170 4.5.2 基于多尺度小波分析的图像分割方法 172 4.5.3 一种基于多尺度小波分析的图像分割算法 174 第5章 人群异常行为图像识别技术 5.1 模板匹配技术 178 5.1.1 图像模板匹配原理 178 5.1.2 图像模板匹配方法 179 5.1.3 图像模板匹配的应用 181 5.2 形状识别技术 182 5.2.1 直线检测 182 5.2.2 圆形检测 184 5.2.3 椭圆检测 186 5.2.4 轮廓提取 187 5.3 骨架提取技术 188 5.3.1 骨架提取技术 189 5.3.2 骨架提取方法 189 5.3.3 骨架提取的应用 190 5.4 机器学习技术 192 5.4.1 机器学习技术 192 5.4.2 基于机器学习的人脸识别 193 5.5 深度学习技术 197 5.5.1 深度学习技术介绍 197 5.5.2 深度学习框架 197 5.5.3 基于深度学习的图像识别 199 参考文献 202