面向监控视频的语义建模研究与实现
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-14页 |
| 1.1 研究背景及意义 | 第10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 本文研究内容 | 第12页 |
| 1.4 论文组织结构 | 第12-13页 |
| 1.5 本章小结 | 第13-14页 |
| 第二章 相关理论简介 | 第14-27页 |
| 2.1 视频前景提取算法 | 第14-15页 |
| 2.1.1 帧间差分法 | 第14-15页 |
| 2.1.2 光流分析法 | 第15页 |
| 2.1.3 背景建模减除法 | 第15页 |
| 2.2 深度学习基础知识 | 第15-25页 |
| 2.2.1 神经单元 | 第15-17页 |
| 2.2.2 神经网络 | 第17-19页 |
| 2.2.3 卷积神经网络 | 第19-22页 |
| 2.2.4 循环神经网络 | 第22-23页 |
| 2.2.5 长短时记忆网络 | 第23-25页 |
| 2.3 编码-解码框架 | 第25-26页 |
| 2.3.1 编码框架 | 第25-26页 |
| 2.3.2 解码框架 | 第26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 基于改进ViBe的视频前景提取算法 | 第27-54页 |
| 3.1 引言 | 第27页 |
| 3.2 ViBe算法 | 第27-33页 |
| 3.2.1 初始化 | 第28-29页 |
| 3.2.2 前景提取 | 第29-31页 |
| 3.2.3 模型更新 | 第31-32页 |
| 3.2.4 ViBe算法的优缺点分析 | 第32-33页 |
| 3.3 改进的ViBe算法 | 第33-48页 |
| 3.3.1 多帧初始化 | 第34-38页 |
| 3.3.2 动态模型匹配阈值 | 第38-41页 |
| 3.3.3 鬼影判断 | 第41-44页 |
| 3.3.4 动态更新 | 第44-48页 |
| 3.4 实验及结果分析 | 第48-53页 |
| 3.5 本章小结 | 第53-54页 |
| 第四章 基于语义属性注入结合注意力机制模型 | 第54-73页 |
| 4.1 引言 | 第54-55页 |
| 4.2 结合时间注意力机制的LSTM | 第55-58页 |
| 4.3 结合语义属性的LSTM | 第58-61页 |
| 4.4 基于语义属性注入结合注意力机制模型 | 第61-67页 |
| 4.4.1 编码框架 | 第61-63页 |
| 4.4.2 解码框架 | 第63-67页 |
| 4.5 实验及结果分析 | 第67-72页 |
| 4.5.1 数据集 | 第67-68页 |
| 4.5.2 实现细节 | 第68-69页 |
| 4.5.3 模型对比及分析 | 第69-72页 |
| 4.6 本章小结 | 第72-73页 |
| 第五章 面向监控视频语义建模系统 | 第73-84页 |
| 5.1 系统介绍 | 第73页 |
| 5.1.1 系统目标 | 第73页 |
| 5.1.2 开发环境 | 第73页 |
| 5.2 系统结构设计 | 第73-81页 |
| 5.2.1 系统总体架构 | 第73-74页 |
| 5.2.2 系统模块详细设计 | 第74-81页 |
| 5.3 系统展示 | 第81-83页 |
| 5.4 本章小结 | 第83-84页 |
| 第六章 总结与展望 | 第84-86页 |
| 6.1 总结 | 第84页 |
| 6.2 展望 | 第84-86页 |
| 致谢 | 第86-87页 |
| 参考文献 | 第87-92页 |
| 攻读硕士学位期间取得的成果 | 第92页 |
