摘要 | 第5-7页 |
Abstract | 第7-8页 |
第1章 绪论 | 第11-17页 |
1.1 选题背景及意义 | 第11-12页 |
1.2 国内外研究现状及发展动态 | 第12-15页 |
1.2.1 基本事件的表示 | 第12-13页 |
1.2.2 异常事件检测模型的建立 | 第13-14页 |
1.2.3 深度学习方法在异常事件检测中的应用 | 第14-15页 |
1.3 论文的主要研究内容 | 第15-17页 |
第二章 基于深度学习的异常视频事件检测系统的总体设计 | 第17-20页 |
2.1 基于深度学习的异常视频事件检测系统的功能规划 | 第17-18页 |
2.2 基于深度学习的异常视频事件检测系统的整体架构设计 | 第18-19页 |
2.3 本章小结 | 第19-20页 |
第三章 异常视频事件检测系统设计的方法基础 | 第20-28页 |
3.1 神经元与神经网络 | 第20-24页 |
3.1.1 神经网络的基本结构 | 第20-21页 |
3.1.2 激活函数 | 第21-22页 |
3.1.3 神经网络 | 第22-23页 |
3.1.4 反向传导算法 | 第23-24页 |
3.2 卷积神经网络 | 第24-25页 |
3.2.1 局部感知 | 第24-25页 |
3.2.2 权值共享 | 第25页 |
3.3 循环神经网络 | 第25-27页 |
3.4 本章小结 | 第27-28页 |
第四章 监控视频中行人跟踪模型算法的设计与应用 | 第28-36页 |
4.1 目标跟踪技术 | 第28-30页 |
4.2 基于深度学习的多域目标跟踪算法 | 第30-33页 |
4.2.1 多域目标跟踪离线训练模型 | 第30-31页 |
4.2.2 多域目标在线跟踪方案 | 第31-32页 |
4.2.3 目标跟踪的运动模型优化 | 第32-33页 |
4.3 实验结果与分析 | 第33-35页 |
4.4 本章小结 | 第35-36页 |
第五章 监控视频中人脸检测算法的设计与应用 | 第36-43页 |
5.1 人脸检测技术 | 第36-37页 |
5.2 基于卷积循环网络的人脸检测算法 | 第37-40页 |
5.2.1 背景图像的提取 | 第37-38页 |
5.2.2 人脸特征的提取 | 第38-39页 |
5.2.3 检测窗口的回归 | 第39-40页 |
5.3 实验结果与分析 | 第40-42页 |
5.3.1 测试结果的定性分析 | 第40-41页 |
5.3.2 测试结果的定量分析 | 第41-42页 |
5.4 本章小结 | 第42-43页 |
第六章 监控视频中行人重识别算法的设计与应用 | 第43-50页 |
6.1 行人重识别技术 | 第43-45页 |
6.1.1 距离度量学习 | 第44页 |
6.1.2 行人深度学习特征的表达 | 第44-45页 |
6.2 基于三元组损失的行人重识别算法 | 第45-47页 |
6.2.1 目标特征的映射学习 | 第45-46页 |
6.2.2 行人的空间特征提取 | 第46页 |
6.2.3 三元组损失的学习过程 | 第46-47页 |
6.3 实验结果分析 | 第47-49页 |
6.4 本章小结 | 第49-50页 |
第七章 总结与展望 | 第50-52页 |
7.1 总结 | 第50-51页 |
7.2 展望 | 第51-52页 |
参考文献 | 第52-56页 |
攻读硕士学位期间发表的论文及其它成果 | 第56-57页 |
致谢 | 第57页 |