基于音视频融合的人员入侵实时检测
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-10页 |
| 图录 | 第10-12页 |
| 表录 | 第12-13页 |
| 第一章 绪论 | 第13-21页 |
| ·研究背景及研究意义 | 第13-14页 |
| ·多源信息融合理论介绍 | 第14-18页 |
| ·信息融合概述 | 第14-15页 |
| ·信息融合的基本原理 | 第15-16页 |
| ·信息融合的分类 | 第16-18页 |
| ·音视频融合算法的国内外研究现状 | 第18-19页 |
| ·本文的主要研究工作 | 第19-20页 |
| ·论文的组织结构 | 第20页 |
| ·本章小结 | 第20-21页 |
| 第二章 基于图像 HOG 的人员入侵实时检测 | 第21-41页 |
| ·行人检测的难点 | 第21-22页 |
| ·行人检测算法分类 | 第22-23页 |
| ·基于整体特征的算法 | 第22页 |
| ·基于多部位的算法 | 第22-23页 |
| ·基于多视角的算法 | 第23页 |
| ·基于 HOG 特征的行人检测算法简介 | 第23-28页 |
| ·基本原理 | 第23-24页 |
| ·算法流程 | 第24-28页 |
| ·基于时空域提取区域的 HOG 检测 | 第28-39页 |
| ·前景背景分割算法简介 | 第29-31页 |
| ·空域检测区域提取 | 第31-33页 |
| ·时域抽帧检测 | 第33-36页 |
| ·实验及实验结果分析 | 第36-39页 |
| ·本章小结 | 第39-41页 |
| 第三章 基于脚步声检测的人员入侵检测 | 第41-59页 |
| ·音频信号的特征提取 | 第41-45页 |
| ·过零率 | 第42页 |
| ·谱矩心 | 第42-43页 |
| ·信号带宽 | 第43页 |
| ·频带能量系数 | 第43页 |
| ·线性预测系数 | 第43-44页 |
| ·Mel 频率倒谱系数 | 第44-45页 |
| ·高斯混合模型分类器 | 第45-49页 |
| ·高斯混合模型 | 第45-47页 |
| ·高斯混合模型的参数估计 | 第47-49页 |
| ·GMM 分类器判决 | 第49页 |
| ·异常声音检测 | 第49-52页 |
| ·基于 MFCC+GMM 的脚步声检测算法设计 | 第52-57页 |
| ·算法简介 | 第52-53页 |
| ·预处理 | 第53-54页 |
| ·MFCC 特征矢量提取 | 第54页 |
| ·训练模型 | 第54页 |
| ·识别分类 | 第54页 |
| ·实验及实验结果分析 | 第54-57页 |
| ·本章小结 | 第57-59页 |
| 第四章 基于音视频融合的人员入侵检测 | 第59-87页 |
| ·多传感器信息融合的方法简介 | 第59-62页 |
| ·贝叶斯估计法 | 第59页 |
| ·加权平均法 | 第59-60页 |
| ·卡尔曼滤波法 | 第60页 |
| ·证据推理法 | 第60页 |
| ·模糊逻辑推理 | 第60-61页 |
| ·人工神经网络 | 第61页 |
| ·聚类分析法 | 第61页 |
| ·专家系统 | 第61页 |
| ·融合算法比较 | 第61-62页 |
| ·贝叶斯网络 | 第62-66页 |
| ·贝叶斯网络综述 | 第63-65页 |
| ·动态贝叶斯网络 | 第65-66页 |
| ·音视频融合的人员入侵检测贝叶斯网络建模 | 第66-72页 |
| ·由底向上的贝叶斯网络层次化结构 | 第67-69页 |
| ·由底至上的贝叶斯网络推导方法 | 第69-70页 |
| ·修改底层特征优化决策结果 | 第70页 |
| ·实验及实验结果分析 | 第70-72页 |
| ·音视频融合的人员入侵检测在电站智能监控中的应用 | 第72-86页 |
| ·系统设计目标 | 第73页 |
| ·系统总体架构 | 第73-75页 |
| ·系统主要模块 | 第75-76页 |
| ·工作站软件设计与实现 | 第76-77页 |
| ·消息交互模块 | 第77-81页 |
| ·系统实现结果 | 第81-86页 |
| ·本章小结 | 第86-87页 |
| 第五章 总结与展望 | 第87-89页 |
| ·主要结论 | 第87-88页 |
| ·本文主要贡献 | 第87-88页 |
| ·后续工作 | 第88页 |
| ·未来展望 | 第88-89页 |
| 参考文献 | 第89-93页 |
| 致谢 | 第93-95页 |
| 攻读硕士学位期间已发表或录用的论文 | 第95页 |
| 攻读硕士学位期间已申请的专利 | 第95-97页 |
