基于模型-模型距离的复杂场景建模及其应用
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究工作的背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.3 研究内容 | 第14-15页 |
| 1.4 章节安排 | 第15-17页 |
| 第二章 经典背景建模算法 | 第17-29页 |
| 2.1 引言 | 第17页 |
| 2.2 高斯混合背景建模算法 | 第17-20页 |
| 2.3 码本背景建模算法 | 第20-23页 |
| 2.4 ViBe背景建模算法 | 第23-26页 |
| 2.5 PBAS背景建模算法 | 第26-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第三章 基于深度神经网络的背景建模 | 第29-49页 |
| 3.1 引言 | 第29页 |
| 3.2 卷积神经网络相关概念 | 第29-32页 |
| 3.2.1 卷积神经网络的特性 | 第29-31页 |
| 3.2.2 经典卷积神经网络结构 | 第31-32页 |
| 3.3 深度神经网络的背景建模 | 第32-42页 |
| 3.3.1 深度残差结构模块 | 第32-35页 |
| 3.3.2 Atrous卷积 | 第35-37页 |
| 3.3.3 深度神经网络结构 | 第37-41页 |
| 3.3.4 变间隔采样输入数据 | 第41-42页 |
| 3.4 实验与分析 | 第42-48页 |
| 3.4.1 实验数据 | 第42-43页 |
| 3.4.2 实验评判标准 | 第43页 |
| 3.4.3 实验结果与分析 | 第43-48页 |
| 3.5 本章小结 | 第48-49页 |
| 第四章 基于深度神经网络的模型-模型距离 | 第49-63页 |
| 4.1 引言 | 第49-50页 |
| 4.2 基于深度神经网络的特征提取 | 第50-57页 |
| 4.2.1 基于图像上下文的压缩感知特征 | 第50-53页 |
| 4.2.2 基于深度神经网络的特征提取 | 第53-57页 |
| 4.3 基于深度神经网络的背景模型初始化 | 第57-60页 |
| 4.4 模型-模型距离 | 第60-62页 |
| 4.4.1 像素-模型（P2M）距离 | 第60-61页 |
| 4.4.2 模型-模型（M2M）距离 | 第61-62页 |
| 4.5 本章小结 | 第62-63页 |
| 第五章 基于模型-模型距离的背景更新 | 第63-74页 |
| 5.1 引言 | 第63页 |
| 5.2 自适应前景分割 | 第63-64页 |
| 5.3 基于模型-模型距离的背景模型更新 | 第64-67页 |
| 5.3.1 像素点背景模型更新 | 第64-65页 |
| 5.3.2 邻域像素点的背景模型更新 | 第65-66页 |
| 5.3.3 模型更新控制器自适应更新 | 第66-67页 |
| 5.4 实验与分析 | 第67-73页 |
| 5.4.1 实验数据 | 第67-68页 |
| 5.4.2 实验结果与分析 | 第68-73页 |
| 5.5 本章小结 | 第73-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 工作总结 | 第74-75页 |
| 6.2 工作展望 | 第75-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-82页 |
| 攻读硕士学位期间取得的成果 | 第82-83页 |
