| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状及发展趋势 | 第11-15页 |
| 1.2.1 视频关键帧提取 | 第11-13页 |
| 1.2.2 智能视频分析中的检测与识别 | 第13-15页 |
| 1.3 主要研究内容及技术路线 | 第15页 |
| 1.4 论文的结构安排 | 第15-17页 |
| 第二章 公交监控系统需求及方案设计 | 第17-24页 |
| 2.1 概述 | 第17-18页 |
| 2.2 公交监控视频关键帧提取需求 | 第18-19页 |
| 2.3 公交监控视频特点及其关键帧提取算法设计 | 第19-23页 |
| 2.3.1 上客门监控视频特点及提取算法 | 第19-20页 |
| 2.3.2 下客门监控视频特点及提取算法 | 第20-21页 |
| 2.3.3 车厢内部监控视频特点及提取算法 | 第21-22页 |
| 2.3.4 关键帧提取系统整体方案 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第三章 基于目标检测的关键帧提取 | 第24-59页 |
| 3.1 概述 | 第24-25页 |
| 3.2 基于背景建模的关键帧提取 | 第25-34页 |
| 3.2.1 帧间差分法 | 第25-28页 |
| 3.2.2 背景减除法 | 第28-34页 |
| 3.2.3 提取关键帧 | 第34页 |
| 3.3 基于目标建模的关键帧提取 | 第34-52页 |
| 3.3.1 基于HOG特征提取和SVM分类的人头检测 | 第35-42页 |
| 3.3.2 基于Haar特征和Adaboost的人脸检测 | 第42-47页 |
| 3.3.3 基于YOLOv2的人头和人脸检测 | 第47-52页 |
| 3.3.4 提取关键帧 | 第52页 |
| 3.4 关键帧提取实验与分析 | 第52-57页 |
| 3.4.1 测试数据集 | 第52-53页 |
| 3.4.2 实验结果 | 第53-57页 |
| 3.5 本章小结 | 第57-59页 |
| 第四章 基于人脸识别的关键帧提取 | 第59-88页 |
| 4.1 概述 | 第59页 |
| 4.2 深度学习理论基础 | 第59-66页 |
| 4.2.1 概念 | 第59-60页 |
| 4.2.2 神经元模型 | 第60页 |
| 4.2.3 激活函数 | 第60-61页 |
| 4.2.4 损失函数 | 第61-62页 |
| 4.2.5 神经网络优化算法 | 第62-65页 |
| 4.2.6 卷积神经网络 | 第65-66页 |
| 4.3 人脸预处理 | 第66-72页 |
| 4.3.1 人脸数据集 | 第67页 |
| 4.3.2 MTCNN人脸检测算法 | 第67-71页 |
| 4.3.3 人脸归一化 | 第71-72页 |
| 4.4 基于深度学习的人脸识别算法 | 第72-80页 |
| 4.4.1 VGGFace | 第72-75页 |
| 4.4.2 LightCNN | 第75-77页 |
| 4.4.3 Sphereface | 第77-80页 |
| 4.5 改进的Sphereface算法 | 第80-83页 |
| 4.5.1 Swish激活函数 | 第80-81页 |
| 4.5.2 VGGFace2数据集 | 第81页 |
| 4.5.3 损失函数 | 第81-82页 |
| 4.5.4 训练过程 | 第82页 |
| 4.5.5 测试结果 | 第82-83页 |
| 4.6 关键帧提取实验与分析 | 第83-87页 |
| 4.6.1 关键帧提取 | 第83-84页 |
| 4.6.2 测试数据集 | 第84-85页 |
| 4.6.3 实验结果 | 第85-87页 |
| 4.7 本章小结 | 第87-88页 |
| 第五章 总结与展望 | 第88-90页 |
| 5.1 研究工作总结 | 第88-89页 |
| 5.1.1 工作总结 | 第88页 |
| 5.1.2 主要贡献及创新点 | 第88-89页 |
| 5.2 未来工作展望 | 第89-90页 |
| 致谢 | 第90-91页 |
| 参考文献 | 第91-97页 |
| 攻读硕士学位期间取得的成果 | 第97页 |