视频异常检测研究

1、点数据是指数据集中与众不同数据。
这部分数据的量小，但是对于我们的日常 生产生活的影响极大。
因此，异常点检测被广泛应用于网络入侵检测，金融保险，天气 预报以及新药研制等领域。
相对于大量的正常数据挖掘而言，异常点检测被称作小模式 数据挖掘。
BP 算法是一种常用的数据挖掘算法。
但是 BP 算法进行实际数据的异常点数 据挖掘过程中存在：实际数据的维数较高，存在冗余特征的干扰，以及在高维特征下， 数据量不充分的问题。
因此，本文分析 BP 神经网络处理各种数据的情况，并得到以下 结果。
（1）BP 神经网络能够较好的分离特征单一的仿真数据；但是（2）特征相似性较 大的数据集，难以分离判断； （3）正常数据不充分或者不具有代表性，因此正常数据类 学习不充分，从而导致异常无法判断。
针对以上问题，本文提出了以下的改进措施： （1） BP 算法前进行特征约简（映射）从中选取有益于异常检测的特征（2）多神经网络融合， 不同神经网络识别不同的特征，相互取长补短，融合后得到最终的结果。
关键字关键字：异常，BP，异常点检测，神经网络 III Abstract Outlier data is the data s。

2、数据是指数据集中与众不同数据。
这部分数据的量小，但是对于我们的日常 生产生活的影响极大。
因此，异常点检测被广泛应用于网络入侵检测，金融保险，天气 预报以及新药研制等领域。
相对于大量的正常数据挖掘而言，异常点检测被称作小模式 数据挖掘。
BP 算法是一种常用的数据挖掘算法。
但是 BP 算法进行实际数据的异常点数 据挖掘过程中存在：实际数据的维数较高，存在冗余特征的干扰，以及在高维特征下， 数据量不充分的问题。
因此，本文分析 BP 神经网络处理各种数据的情况，并得到以下 结果。
（1）BP 神经网络能够较好的分离特征单一的仿真数据；但是（2）特征相似性较 大的数据集，难以分离判断； （3）正常数据不充分或者不具有代表性，因此正常数据类 学习不充分，从而导致异常无法判断。
针对以上问题，本文提出了以下的改进措施： （1） BP 算法前进行特征约简（映射）从中选取有益于异常检测的特征（2）多神经网络融合， 不同神经网络识别不同的特征，相互取长补短，融合后得到最终的结果。
关键字关键字：异常，BP，异常点检测，神经网络 注：本设计（论文）题目来源于教师的国家级（或部级、省级、厅级、市级、校级、企业）。

3、要要 异常点数据是指数据集中与众不同数据。
这部分数据的量小，但是对于我们的日常 生产生活的影响极大。
因此，异常点检测被广泛应用于网络入侵检测，金融保险，天气 预报以及新药研制等领域。
相对于大量的正常数据挖掘而言，异常点检测被称作小模式 数据挖掘。
BP 算法是一种常用的数据挖掘算法。
但是 BP 算法进行实际数据的异常点数 据挖掘过程中存在：实际数据的维数较高，存在冗余特征的干扰，以及在高维特征下， 数据量不充分的问题。
因此，本文分析 BP 神经网络处理各种数据的情况，并得到以下 结果。
（1）BP 神经网络能够较好的分离特征单一的仿真数据；但是（2）特征相似性较 大的数据集，难以分离判断； （3）正常数据不充分或者不具有代表性，因此正常数据类 学习不充分，从而导致异常无法判断。
针对以上问题，本文提出了以下的改进措施： （1） BP 算法前进行特征约简（映射）从中选取有益于异常检测的特征（2）多神经网络融合， 不同神经网络识别不同的特征，相互取长补短，融合后得到最终的结果。
关键字关键字：异常，BP，异常点检测，神经网络 注：本设计（论文）题目来源于教师的国家级（或部级、省级、厅级、市级、。

4、 5 月 II III 摘摘 要要 异常点数据是指数据集中与众不同数据。
这部分数据的量小，但是对于我们的日常 生产生活的影响极大。
因此，异常点检测被广泛应用于网络入侵检测，金融保险，天气 预报以及新药研制等领域。
相对于大量的正常数据挖掘而言，异常点检测被称作小模式 数据挖掘。
BP 算法是一种常用的数据挖掘算法。
但是 BP 算法进行实际数据的异常点数 据挖掘过程中存在：实际数据的维数较高，存在冗余特征的干扰，以及在高维特征下， 数据量不充分的问题。
因此，本文分析 BP 神经网络处理各种数据的情况，并得到以下 结果。
（1）BP 神经网络能够较好的分离特征单一的仿真数据；但是（2）特征相似性较 大的数据集，难以分离判断； （3）正常数据不充分或者不具有代表性，因此正常数据类 学习不充分，从而导致异常无法判断。
针对以上问题，本文提出了以下的改进措施： （1） BP 算法前进行特征约简（映射）从中选取有益于异常检测的特征（2）多神经网络融合， 不同神经网络识别不同的特征，相互取长补短，融合后得到最终的结果。
关键字关键字：异常，BP，异常点检测，神经网络 注：本设计（论文）题目来源于教师的国。

5、常点数据是指数据集中与众不同数据。
这部分数据的量小，但是对于我们的日常 生产生活的影响极大。
因此，异常点检测被广泛应用于网络入侵检测，金融保险，天气 预报以及新药研制等领域。
相对于大量的正常数据挖掘而言，异常点检测被称作小模式 数据挖掘。
BP 算法是一种常用的数据挖掘算法。
但是 BP 算法进行实际数据的异常点数 据挖掘过程中存在：实际数据的维数较高，存在冗余特征的干扰，以及在高维特征下， 数据量不充分的问题。
因此，本文分析 BP 神经网络处理各种数据的情况，并得到以下 结果。
（1）BP 神经网络能够较好的分离特征单一的仿真数据；但是（2）特征相似性较 大的数据集，难以分离判断； （3）正常数据不充分或者不具有代表性，因此正常数据类 学习不充分，从而导致异常无法判断。
针对以上问题，本文提出了以下的改进措施： （1） BP 算法前进行特征约简（映射）从中选取有益于异常检测的特征（2）多神经网络融合， 不同神经网络识别不同的特征，相互取长补短，融合后得到最终的结果。
关键字关键字：异常，BP，异常点检测，神经网络 注：本设计（论文）题目来源于教师的国家级（或部级、省级、厅级、市级、校级、企。

6、数据的异常点数 据挖掘过程中存在：实际数据的维数较高，存在冗余特征的干扰，以及在高维特征下， 数据量不充分的问题。
因此，本文分析 BP 神经网络处理各种数据的情况，并得到以下 结果。
（1）BP 神经网络能够较好的分离特征单一的仿真数据；但是（2）特征相似性较 大的数据集，难以分离判断； （3）正常数据不充分或者不具有代表性，因此正常数据类 学习不充分，从而导致异常无法判断。
针对以上问题，本文提出了以下的改进措施： （1） BP 算法前进行特征约简（映射）从中选取有益于异常检测的特征（2）多神经网络融合， 不同神经网络识别不同的特征，相互取长补短，融合后得到最终的结果。
关键字关键字：异常，BP，异常点检测，神经网络 II Abstract Outlier data is the data set different data. This part of the small amount of data, but for our daily production and life of great. Therefore, the anomaly detection is widely。

7、报告开题报告 一、一、 研究的背景和意义研究的背景和意义 在人们感知到的环境信息中，视觉信息占了很大的比重， 其中动态视觉信息更是其主要组成部分。
感知环境中的这些动 态视觉信息己成为计算机视觉的一个重要的研究方向。
在现实 生活中，大量有意义的视觉信息都包含于运动之中。
尽管人类 视觉既能看见运动又能看见静止的物体，但是在许多场合，比 如航空和军用飞机的制导、交通流量的监测、重要场所的保安 以及汽车的自动驾驶和辅助驾驶等等，人们往往对运动的物体 更感兴趣。
运动目标检测与跟踪是近些年来图像处理和计算机视觉 领域的一个非常活跃的分支，是动态图像分析的基础。
目标的 运动图像序列提供了比目标静止时更多的有用信息，使得我们 可以利用运动目标检测与跟踪技术获得比静止图像更有实用 价值的信息。
运动目标检测和运动目标跟踪两方面具有非常紧密的关 系。
作为运动目标跟踪的基础，运动目标检测是实时的在被监 视的场景中检测运动目标，并将其提取出来。
而运动目标跟踪 是作为衔接运动目标检测和上层的目标行为分析和理解的一 个重要环节。
所谓运动目标跟踪，就是在运动目标检测的基础 上，利用目标有效特征，使用适当的匹配算法。