基于深度神经网络的司机行为识别技术研究与实现
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-18页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.2 行为识别技术的发展 | 第11-16页 |
| 1.2.1 行为识别技术简介 | 第11-12页 |
| 1.2.2 国内外发展现状 | 第12-15页 |
| 1.2.3 基于深度神经网络的行为识别技术 | 第15-16页 |
| 1.3 论文主要工作 | 第16-18页 |
| 第二章 深度神经网络理论基础 | 第18-28页 |
| 2.1 深度神经网络简介 | 第18-20页 |
| 2.2 卷积神经网络 | 第20-23页 |
| 2.2.1 感受野和权值共享 | 第20-21页 |
| 2.2.2 主要网络层 | 第21-23页 |
| 2.2.3 训练过程 | 第23页 |
| 2.3 循环神经网络 | 第23-27页 |
| 2.3.1 处理序列化的数据 | 第23-25页 |
| 2.3.2 基本模型 | 第25-26页 |
| 2.3.3 训练过程 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 针对车载视频监控场景的视频数据预处理 | 第28-42页 |
| 3.1 数据集描述 | 第28-30页 |
| 3.2 提取帧序列 | 第30页 |
| 3.3 速度筛选 | 第30-33页 |
| 3.4 司机目标检测 | 第33-41页 |
| 3.4.1 梯度方向直方图特征 | 第33-35页 |
| 3.4.2 基于支持向量机的检测方法 | 第35-36页 |
| 3.4.3 检测过程 | 第36-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 基于深度神经网络的司机行为识别模型 | 第42-56页 |
| 4.1 基于VGG16模型的特征提取 | 第42-45页 |
| 4.2 长短期记忆模型 | 第45-52页 |
| 4.2.1 单向模型分析 | 第48-49页 |
| 4.2.2 双向模型分析 | 第49-52页 |
| 4.3 司机行为识别模型与整体识别流程 | 第52-53页 |
| 4.4 误报率调优 | 第53-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第五章 系统实现与实验分析 | 第56-71页 |
| 5.1 司机违章行为检测系统 | 第56-60页 |
| 5.1.1 系统架构 | 第56-58页 |
| 5.1.2 系统实现 | 第58-60页 |
| 5.2 实验结果及分析 | 第60-70页 |
| 5.2.1 实验环境介绍 | 第60-61页 |
| 5.2.2 指标计算方式 | 第61页 |
| 5.2.3 取帧效果对比实验 | 第61-63页 |
| 5.2.4 司机检测参数实验 | 第63-64页 |
| 5.2.5 裁剪帧图的对比实验 | 第64-66页 |
| 5.2.6 循环神经网络模型对比实验 | 第66-68页 |
| 5.2.7 识别算法对比实验 | 第68-70页 |
| 5.3 本章小结 | 第70-71页 |
| 第六章 总结与展望 | 第71-73页 |
| 6.1 总结 | 第71-72页 |
| 6.2 展望 | 第72-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 攻硕期间取得的成果 | 第78页 |
