静态图像人体轮廓提取方法的研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 1 绪论 | 第8-18页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 人体轮廓提取难点分析 | 第9-10页 |
| 1.3 国内外研究进展 | 第10-15页 |
| 1.3.1 静态图像人体轮廓提取的研究进展 | 第10-13页 |
| 1.3.2 神经网络的研究进展 | 第13-15页 |
| 1.4 本文主要内容 | 第15-18页 |
| 2 卷积神经网络基础理论 | 第18-30页 |
| 2.1 机器学习与人工神经网络 | 第18-22页 |
| 2.1.1 机器学习 | 第18-19页 |
| 2.1.2 人工神经网络 | 第19-22页 |
| 2.2 卷积神经网络 | 第22-28页 |
| 2.2.1 卷积神经网络基本结构 | 第22-25页 |
| 2.2.2 卷积神经网络的特点 | 第25-27页 |
| 2.2.3 基于区域的卷积神经网络原理 | 第27-28页 |
| 2.3 本文实现难点与预期目标 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 3 基于卷积神经网络的人体轮廓提取 | 第30-38页 |
| 3.1 方法概述 | 第30页 |
| 3.2 深度网络模型 | 第30-31页 |
| 3.3 卷积化与反卷积 | 第31-33页 |
| 3.4 网络中网络 | 第33-34页 |
| 3.5 卷积神经网络结构的设计 | 第34-36页 |
| 3.6 本章小结 | 第36-38页 |
| 4 改进的基于卷积神经网络的人体轮廓提取 | 第38-44页 |
| 4.1 方法概述 | 第38页 |
| 4.2 传统Gabor滤波器 | 第38-40页 |
| 4.2.1 Gabor特征概念 | 第38-39页 |
| 4.2.2 Gabor特征提取 | 第39-40页 |
| 4.3 Gabor特征与卷积神经网络结合 | 第40-41页 |
| 4.4 模型训练与测试 | 第41-43页 |
| 4.5 本章小结 | 第43-44页 |
| 5 实验结果及应用 | 第44-54页 |
| 5.1 运行环境 | 第44-45页 |
| 5.2 基于VOC2012数据集的实验结果 | 第45-49页 |
| 5.2.1 实验数据描述 | 第45-46页 |
| 5.2.2 实验对比方法 | 第46页 |
| 5.2.3 评判指标 | 第46页 |
| 5.2.4 实验结果与分析 | 第46-49页 |
| 5.3 基于百度数据集的实验结果 | 第49-50页 |
| 5.3.1 实验数据描述 | 第49页 |
| 5.3.2 评判指标 | 第49页 |
| 5.3.3 实验结果与分析 | 第49-50页 |
| 5.4 在视频监控中的应用 | 第50-52页 |
| 5.4.1 隐私保护的概述 | 第50页 |
| 5.4.2 隐私保护在视频监控中的实现 | 第50-52页 |
| 5.5 本章小结 | 第52-54页 |
| 6 总结与展望 | 第54-56页 |
| 6.1 总结 | 第54页 |
| 6.2 展望 | 第54-56页 |
| 致谢 | 第56-58页 |
| 参考文献 | 第58-64页 |
| 附录 | 第64页 |
