| 摘要 | 第5-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-20页 |
| 1.1 课题研究背景及意义 | 第11-12页 |
| 1.2 国内外发展与研究现状 | 第12-17页 |
| 1.2.1 物体检测算法研究现状 | 第12-14页 |
| 1.2.2 视频行为识别算法研究现状 | 第14-17页 |
| 1.3 论文研究内容与组织结构 | 第17-20页 |
| 第2章 基于空间金字塔和特征集成的人员检测算法 | 第20-34页 |
| 2.1 引言 | 第20页 |
| 2.2 基于空间金字塔和特征集成的人员检测算法 | 第20-27页 |
| 2.2.1 基于空间金字塔的图像尺度变换 | 第20-22页 |
| 2.2.2 基于HOG-PCA的初步检测器算法 | 第22-24页 |
| 2.2.3 基于RGB-SIFT的串行二次检测器算法 | 第24-27页 |
| 2.3 算法流程及数据增益 | 第27-29页 |
| 2.3.1 算法流程步骤 | 第27-28页 |
| 2.3.2 数据增益 | 第28-29页 |
| 2.4 实验结果与分析 | 第29-33页 |
| 2.4.1 特征可视化及定性分析 | 第29-30页 |
| 2.4.2 算法性能与实时性分析 | 第30-33页 |
| 2.5 本章小结 | 第33-34页 |
| 第3章 基于特征融合网络的轻量级人员检测算法 | 第34-50页 |
| 3.1 引言 | 第34页 |
| 3.2 常规物体检测神经网络算法 | 第34-36页 |
| 3.2.1 基于区域建议的物体检测网络 | 第34-35页 |
| 3.2.2 基于直接回归的物体检测网络 | 第35-36页 |
| 3.3 基于特征融合网络的轻量级人员检测算法 | 第36-42页 |
| 3.3.1 参数削减与特征融合 | 第37-40页 |
| 3.3.2 网络检测与训练 | 第40-42页 |
| 3.4 实验结果与分析 | 第42-48页 |
| 3.4.1 卷积模块结构定量对比分析 | 第42-45页 |
| 3.4.2 算法性能与实时性分析 | 第45-47页 |
| 3.4.3 不均衡样本下性能分析 | 第47-48页 |
| 3.5 本章小结 | 第48-50页 |
| 第4章 基于深度时空网络的异常操作识别算法 | 第50-63页 |
| 4.1 引言 | 第50页 |
| 4.2 循环神经网络与长短期记忆神经网络 | 第50-53页 |
| 4.3 基于深度时空网络的异常操作识别算法 | 第53-58页 |
| 4.3.1 深度残差网络与3D卷积 | 第53-55页 |
| 4.3.2 多层双向长短期记忆神经网络 | 第55-56页 |
| 4.3.3 深度时空网络 | 第56-58页 |
| 4.4 实验结果与分析 | 第58-62页 |
| 4.4.1 算法识别准确率分析 | 第58-60页 |
| 4.4.2 算法提前预测性能分析 | 第60-62页 |
| 4.5 本章小结 | 第62-63页 |
| 第5章 深度学习在人员异常操作检测中的应用 | 第63-76页 |
| 5.1 引言 | 第63页 |
| 5.2 硬件工作平台 | 第63-66页 |
| 5.2.1 移动机器人平台 | 第63-64页 |
| 5.2.2 服务器平台 | 第64-66页 |
| 5.3 功能分离的负载均衡检测架构 | 第66-71页 |
| 5.3.1 主客户端型架构 | 第68页 |
| 5.3.2 主服务器型架构 | 第68-69页 |
| 5.3.3 负载均衡型架构 | 第69-71页 |
| 5.4 系统整体性能分析 | 第71-75页 |
| 5.4.1 系统并行性能分析 | 第71-72页 |
| 5.4.2 系统响应时间分析 | 第72-73页 |
| 5.4.3 系统检测结果展示 | 第73-75页 |
| 5.5 本章小结 | 第75-76页 |
| 第6章 结论与展望 | 第76-78页 |
| 6.1 结论 | 第76-77页 |
| 6.2 展望 | 第77-78页 |
| 参考文献 | 第78-85页 |
| 致谢 | 第85-86页 |
| 攻读学位期间参加的科研项目和成果 | 第86页 |