| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 课题的研究场景 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 论文的主要内容 | 第11-12页 |
| 第二章 基于深度学习和WebRTC的智能跌倒监控系统方案 | 第12-17页 |
| 2.1 系统功能需求分析 | 第12页 |
| 2.2 系统实现方案 | 第12-16页 |
| 2.2.1 系统实现方案设计 | 第12-15页 |
| 2.2.2 系统运行流程 | 第15-16页 |
| 2.3 系统运行环境 | 第16页 |
| 2.3.1 深度学习服务器平台简介 | 第16页 |
| 2.3.2 视频传输服务器运行平台简介 | 第16页 |
| 2.4 本章小结 | 第16-17页 |
| 第三章 基于卷积神经网络的跌倒行为识别研究 | 第17-29页 |
| 3.1 卷积神经网络 | 第17-22页 |
| 3.1.1 卷积神经网络的结构 | 第17-20页 |
| 3.1.2 卷积神经网络的特性 | 第20-22页 |
| 3.1.3 VGGNet-16 卷积神经网络模型 | 第22页 |
| 3.2 基于视频帧和VGGNet-16 的跌倒识别仿真及实现 | 第22-23页 |
| 3.2.1 视频采样 | 第23页 |
| 3.2.2 VGGNet-16 模型结构调整 | 第23页 |
| 3.3 实验结果与分析 | 第23-27页 |
| 3.3.1 数据预处理和模型评价标准 | 第23-26页 |
| 3.3.2 基于视频帧和VGGNet-16 的跌倒识别方法测试 | 第26-27页 |
| 3.4 本章小结 | 第27-29页 |
| 第四章 基于双流卷积神经网络的跌倒识别研究 | 第29-43页 |
| 4.1 三维卷积神经网络 | 第29-31页 |
| 4.1.1 三维卷积 | 第29-30页 |
| 4.1.2 三维下采样 | 第30-31页 |
| 4.2 基于双流卷积神经网络的跌倒行为识别及仿真实现 | 第31-38页 |
| 4.2.1 基于运动目标检测和 3D-CNN的跌倒识别及仿真实现 | 第33-36页 |
| 4.2.2 基于光流图和VGGNet-16 的跌倒识别及仿真实现 | 第36-37页 |
| 4.2.3 模型融合 | 第37-38页 |
| 4.3 实验结果与分析 | 第38-42页 |
| 4.3.1 数据预处理和模型评价标准 | 第38-39页 |
| 4.3.2 基于视频帧和 3D-CNN的跌倒识别方法测试 | 第39页 |
| 4.3.3 基于运动目标检测和 3D-CNN的跌倒识别方法测试 | 第39-40页 |
| 4.3.4 基光流图和VGGNet-16 的跌倒识别方法测试 | 第40页 |
| 4.3.5 基于双流卷积神经网络的跌倒识别方法测试 | 第40-41页 |
| 4.3.6 综合对比 | 第41-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第五章 基于WebRTC的远程视频传输的实现 | 第43-59页 |
| 5.1 WebRTC简介 | 第43-47页 |
| 5.1.1 WebRTC总体架构 | 第43-44页 |
| 5.1.2 WebRTC媒体协商 | 第44页 |
| 5.1.3 WebRTC信令 | 第44-45页 |
| 5.1.4 WebRTC防火墙和NAT的穿越 | 第45-47页 |
| 5.2 基于WebRTC的远程视频传输实现 | 第47-52页 |
| 5.2.1 基于WebRTC的远程视频传输总体介绍 | 第47页 |
| 5.2.2 基于WebRTC的远程视频传输信令服务器的实现 | 第47-49页 |
| 5.2.3 基于WebRTC的远程视频穿网服务器的实现 | 第49-50页 |
| 5.2.4 基于WebRTC的远程视频传客户端的实现 | 第50-52页 |
| 5.3 基于WebRTC的远程视频传输系统测试 | 第52-57页 |
| 5.3.1 基于WebRTC的视频传输信令服务器测试 | 第52-54页 |
| 5.3.2 基于WebRTC的视频传输信令服务器测试 | 第54-57页 |
| 5.4 本章小结 | 第57-59页 |
| 第六章 工作总结与展望 | 第59-61页 |
| 6.1 工作总结 | 第59-60页 |
| 6.2 工作展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 个人简历 在读期间发表的学术论文 | 第64-65页 |
| 致谢 | 第65页 |
