| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 国外研究现状 | 第11-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 工作内容 | 第13页 |
| 1.4 本文结构 | 第13-15页 |
| 第2章 隧道目标检测算法技术分析对比 | 第15-24页 |
| 2.1 背景差分法 | 第15-16页 |
| 2.2 基于CNN的图像分类算法 | 第16-20页 |
| 2.2.1 CNN图像分类算法的原理 | 第16-19页 |
| 2.2.2 CNN图像分类算法的优点和难点 | 第19-20页 |
| 2.3 隧道目标检测算法 | 第20-23页 |
| 2.3.1 传统的隧道目标检测算法 | 第20-21页 |
| 2.3.2 基于深度学习的目标检测算法 | 第21页 |
| 2.3.3 基于背景差分法和CNN的隧道目标检测算法 | 第21-22页 |
| 2.3.4 隧道目标检测算法的评价指标 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 基于改进ViBe的背景差分法 | 第24-35页 |
| 3.1 隧道背景实验数据集 | 第24-25页 |
| 3.2 基于ViBe的改进背景建模算法 | 第25-31页 |
| 3.2.1 ViBe模型简介 | 第25-27页 |
| 3.2.2 颜色差异化函数改进ViBe模型 | 第27-30页 |
| 3.2.3 实验对比 | 第30-31页 |
| 3.3 提取候选区域 | 第31-34页 |
| 3.3.1 前景目标分割结果优化 | 第31-32页 |
| 3.3.2 根据前景目标分割结果获取候选区域 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 基于三重特征融合残差网络的图像分类算法 | 第35-63页 |
| 4.1 隧道图像分类实验数据集 | 第35-37页 |
| 4.2 隧道图像分类实验环境 | 第37页 |
| 4.3 CNN的性能分析 | 第37-42页 |
| 4.3.1 神经网络可以拟合任意函数 | 第38-41页 |
| 4.3.2 网络层数越多抽象能力越强 | 第41-42页 |
| 4.4 浅层CNN的研究 | 第42-52页 |
| 4.4.1 浅层CNN的设计 | 第43-44页 |
| 4.4.2 浅层CNN的参数优化 | 第44-52页 |
| 4.5 深度残差网络 | 第52-62页 |
| 4.5.1 深度残差网络 | 第52-56页 |
| 4.5.2 三重特征融合的残差网络 | 第56-61页 |
| 4.5.3 网络性能对比 | 第61-62页 |
| 4.6 本章小结 | 第62-63页 |
| 第5章 基于背景差分法与CNN的隧道目标检测算法 | 第63-72页 |
| 5.1 隧道目标检测数据集 | 第63-64页 |
| 5.2 基于背景差分法与CNN的隧道目标检测算法 | 第64-65页 |
| 5.3 隧道目标检测算法评价指标 | 第65-66页 |
| 5.4 实验设计及实验结果分析 | 第66-70页 |
| 5.4.1 实验设计 | 第66-67页 |
| 5.4.2 实验结果分析 | 第67-70页 |
| 5.5 算法的视频监控性能 | 第70-71页 |
| 5.6 本章小结 | 第71-72页 |
| 第6章 总结与展望 | 第72-74页 |
| 6.1 总结 | 第72-73页 |
| 6.2 展望 | 第73-74页 |
| 致谢 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 攻读硕士学位期间公开发表的学术论文 | 第79页 |