| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第9-14页 |
| 1.1 课题的研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 智能视频监控技术国内外研究现状 | 第10-12页 |
| 1.2.2 安全帽识别技术的研究现状 | 第12页 |
| 1.3 论文的研究内容和章节安排 | 第12-14页 |
| 1.3.1 研究主要内容 | 第12-13页 |
| 1.3.2 论文章节安排 | 第13-14页 |
| 2 核心技术的研究 | 第14-30页 |
| 2.1 图像预处理技术 | 第14-19页 |
| 2.1.1 图像灰度化 | 第14-15页 |
| 2.1.2 图像滤波技术 | 第15-17页 |
| 2.1.3 数字形态学 | 第17-19页 |
| 2.2 动态目标检测方法研究 | 第19-24页 |
| 2.2.1 帧差法 | 第20-21页 |
| 2.2.2 光流法 | 第21-22页 |
| 2.2.3 背景差分法 | 第22-23页 |
| 2.2.4 视觉背景提取算法（ViBe） | 第23-24页 |
| 2.3 图像目标识别技术 | 第24-28页 |
| 2.3.1 梯度直方图（HOG） | 第24-26页 |
| 2.3.2 可变形部件模型（DPM） | 第26-27页 |
| 2.3.3 支持向量机（SVM） | 第27-28页 |
| 2.4 本章小结 | 第28-30页 |
| 3 安全帽佩戴区域初步定位 | 第30-40页 |
| 3.1 预处理 | 第30-31页 |
| 3.1.1 中值滤波 | 第30-31页 |
| 3.1.2 图像灰度化 | 第31页 |
| 3.2 基于ViBe算法的动态目标检测 | 第31-35页 |
| 3.2.1 背景模型初始化 | 第32页 |
| 3.2.2 前景检测 | 第32-33页 |
| 3.2.3 背景更新 | 第33-34页 |
| 3.2.4 自适应阈值 | 第34-35页 |
| 3.3 安全帽佩戴区域定位 | 第35-36页 |
| 3.4 运动目标检测算法性能分析 | 第36-39页 |
| 3.4.1 算法测试效果对比分析 | 第36-38页 |
| 3.4.2 算法时间性能对比分析 | 第38-39页 |
| 3.5 本章小结 | 第39-40页 |
| 4 基于可变形部件模型的安全帽佩戴状态检测技术的研究 | 第40-53页 |
| 4.1 安全帽佩戴状态识别模型设计基本思路 | 第40-41页 |
| 4.2 多尺度HOG特征提取 | 第41-44页 |
| 4.2.1 HOG特征 | 第41-44页 |
| 4.2.2 基于图像金字塔的HOG特征提取 | 第44页 |
| 4.3 模型结构 | 第44-47页 |
| 4.3.1 滤波器 | 第45页 |
| 4.3.2 安全帽佩戴状态可变形部件模型结构 | 第45-47页 |
| 4.4 基于可变形部件的安全帽佩戴状态目标检测 | 第47-48页 |
| 4.5 可变形部件模型的训练 | 第48-52页 |
| 4.5.1 支持向量机 | 第48-49页 |
| 4.5.2 隐支持向量机（Latent SVM） | 第49-50页 |
| 4.5.3 可变形部件模型训练流程 | 第50-52页 |
| 4.6 本章小结 | 第52-53页 |
| 5 实验结果及分析 | 第53-64页 |
| 5.1 安全帽佩戴状态检测流程 | 第53-54页 |
| 5.2 实验平台搭建 | 第54页 |
| 5.3 样本库制作 | 第54-58页 |
| 5.3.1 样本采集 | 第54-55页 |
| 5.3.2 训练数据集的预处理 | 第55-58页 |
| 5.4 模型训练 | 第58页 |
| 5.5 安全帽佩戴状态识别模型性能分析 | 第58-63页 |
| 5.5.1 不同视角的安全帽佩戴状态识别模型的测试 | 第59页 |
| 5.5.2 多目标的安全帽佩戴状态识别模型的测试 | 第59-60页 |
| 5.5.3 安全帽佩戴状态识别模型的性能分析 | 第60-63页 |
| 5.6 本章小结 | 第63-64页 |
| 6 总结和展望 | 第64-66页 |
| 6.1 总结 | 第64页 |
| 6.2 展望 | 第64-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 附录 | 第70页 |
| A. 作者在攻读硕士学位期间发表的专利 | 第70页 |
| B. 作者在攻读硕士学位期间参与的项目 | 第70页 |