基于多策略融合及多尺度级联卷积神经网络的背景减除方法研究
| 摘要 | 第4-6页 |
| 英文摘要 | 第6-14页 |
| 第一章 绪论 | 第14-24页 |
| 1.1 选题背景与研究意义 | 第14-17页 |
| 1.2 国内外研究动态 | 第17-19页 |
| 1.3 面临的主要问题和挑战 | 第19-20页 |
| 1.4 本文主要工作和创新点 | 第20-21页 |
| 1.5 本文的组织结构 | 第21-24页 |
| 第二章 背景减除相关方法概述 | 第24-42页 |
| 2.1 引言 | 第24-25页 |
| 2.2 基于背景建模的背景减除方法 | 第25-33页 |
| 2.2.1 基于高斯模型的背景减除方法 | 第26-28页 |
| 2.2.2 基于支持向量模型的背景减除方法 | 第28-30页 |
| 2.2.3 基于聚类模型的背景减除方法 | 第30-31页 |
| 2.2.4 基于神经网络模型的背景减除方法 | 第31-32页 |
| 2.2.5 基于非参数模型的背景减除方法 | 第32-33页 |
| 2.3 基于子空间学习的背景减除方法 | 第33-37页 |
| 2.3.1 基于主成分分析的背景减除方法 | 第33-34页 |
| 2.3.2 基于独立主成分分析的背景减除方法 | 第34-35页 |
| 2.3.3 基于非负矩阵分解的背景减除方法 | 第35-36页 |
| 2.3.4 基于鲁棒主成分分析的背景减除方法 | 第36-37页 |
| 2.4 基于深度神经网络的背景减除方法 | 第37-41页 |
| 2.4.1 基于自编码网络的背景减除方法 | 第38-39页 |
| 2.4.2 基于卷积神经网络的背景减除方法 | 第39-41页 |
| 2.5 本章小结 | 第41-42页 |
| 第三章 基于多策略融合的背景减除方法 | 第42-60页 |
| 3.1 引言 | 第42-44页 |
| 3.2 方法介绍 | 第44-51页 |
| 3.2.1 方法概述 | 第45-46页 |
| 3.2.2 前景目标检测 | 第46-48页 |
| 3.2.3 前景噪声检测 | 第48-49页 |
| 3.2.4 “鬼影”区域检测 | 第49-51页 |
| 3.3 实验结果及分析 | 第51-57页 |
| 3.3.1 数据集 | 第51-52页 |
| 3.3.2 实验设置与评价指标 | 第52-55页 |
| 3.3.3 实验结果对比与分析 | 第55-57页 |
| 3.4 本章小结 | 第57-60页 |
| 第四章 基于多尺度级联卷积神经网络的背景减除方法 | 第60-76页 |
| 4.1 引言 | 第60-62页 |
| 4.2 方法介绍 | 第62-68页 |
| 4.2.1 网络模型基础结构 | 第63-64页 |
| 4.2.2 多尺度级联网络模型结构构建 | 第64-65页 |
| 4.2.3 数据处理及方法流程 | 第65-68页 |
| 4.3 实验结果及分析 | 第68-75页 |
| 4.3.1 实验设置与评价指标 | 第68-70页 |
| 4.3.2 实验结果对比与分析 | 第70-75页 |
| 4.4 本章小结 | 第75-76页 |
| 第五章 总结与未来工作 | 第76-78页 |
| 5.1 总结 | 第76-77页 |
| 5.2 未来工作 | 第77-78页 |
| 参考文献 | 第78-84页 |
| 硕士期间参与的科研项目及发表论文 | 第84-86页 |
| 致谢 | 第86-87页 |
