| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 视频监控系统 | 第10-12页 |
| 1.2.2 目标检测 | 第12页 |
| 1.2.3 行为识别 | 第12-13页 |
| 1.3 本文主要的研究内容 | 第13-14页 |
| 1.4 论文组织结构 | 第14-15页 |
| 第二章 运动目标检测 | 第15-35页 |
| 2.1 图像预处理 | 第15-18页 |
| 2.1.1 直方图均衡化 | 第16-17页 |
| 2.1.2 空间域滤波 | 第17-18页 |
| 2.2 运动目标检测算法 | 第18-22页 |
| 2.2.1 帧间差分法 | 第18-20页 |
| 2.2.2 光流法 | 第20-21页 |
| 2.2.3 背景统计模型 | 第21-22页 |
| 2.3 梯度图像与混合高斯模型融合的目标检测 | 第22-24页 |
| 2.4 运动目标检测中的后处理 | 第24-28页 |
| 2.4.1 形态学变换 | 第25页 |
| 2.4.2 目标检测中空洞去除 | 第25-26页 |
| 2.4.3 目标检测中阴影去除 | 第26-28页 |
| 2.5 行人检测 | 第28-34页 |
| 2.5.1 HOG特征 | 第29-30页 |
| 2.5.2 LBP特征 | 第30-32页 |
| 2.5.3 HOG-LBP特征融合行人检测 | 第32-34页 |
| 2.6 本章小结 | 第34-35页 |
| 第三章 基于深度学习理论的铁路目标检测 | 第35-60页 |
| 3.1 人工神经网络简介 | 第35-43页 |
| 3.1.1 常见的神经网络结构 | 第35-37页 |
| 3.1.2 卷积神经网络 | 第37-39页 |
| 3.1.3 损失函数与输出层 | 第39-41页 |
| 3.1.4 卷积神经网络优化算法 | 第41-43页 |
| 3.2 R-CNN系列目标检测网络 | 第43-46页 |
| 3.2.1 经典R-CNN目标检测算法简介 | 第43页 |
| 3.2.2 SPP-net目标检测算法简介 | 第43-44页 |
| 3.2.3 Fast-R-CNN目标检测算法简介 | 第44-45页 |
| 3.2.4 Faster-R-CNN目标检测算法简介 | 第45-46页 |
| 3.2.5 R-CNN系列目标检测算法对比 | 第46页 |
| 3.3 基于Faster-R-CNN的铁路目标检测网络设计 | 第46-51页 |
| 3.3.1 特征提取网络设计 | 第47页 |
| 3.3.2 区域生成网络设计 | 第47-50页 |
| 3.3.3 候选窗口分类器 | 第50-51页 |
| 3.4 数据集制备 | 第51-53页 |
| 3.5 实验与结果分析 | 第53-58页 |
| 3.5.1 Faster-R-CNN训练 | 第53-56页 |
| 3.5.2 检测结果 | 第56-57页 |
| 3.5.3 特征图可视化 | 第57-58页 |
| 3.6 本章小结 | 第58-60页 |
| 第四章 铁路监控中的行为识别 | 第60-70页 |
| 4.1 铁路监控视频中的行为描述 | 第60-62页 |
| 4.1.1 不同场景中的行为 | 第61页 |
| 4.1.2 行为识别研究难点 | 第61-62页 |
| 4.2 铁路监控视频中行为识别流程 | 第62-64页 |
| 4.3 铁路监控中的场景识别 | 第64-65页 |
| 4.4 基于三维卷积神经网络的行为识别 | 第65-69页 |
| 4.4.1 3D-CNN结构 | 第65-67页 |
| 4.4.2 实验与分析 | 第67-69页 |
| 4.5 本章小结 | 第69-70页 |
| 第五章 总结与展望 | 第70-72页 |
| 5.1 结论 | 第70-71页 |
| 5.2 展望 | 第71-72页 |
| 参考文献 | 第72-77页 |
| 致谢 | 第77-78页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第78页 |