| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究意义与背景 | 第11-12页 |
| 1.2 深度神经网络的现状和发展 | 第12-13页 |
| 1.3 视频监控系统的现状和发展 | 第13-14页 |
| 1.4 本文主要工作 | 第14-15页 |
| 1.5 本论文的结构安排 | 第15-17页 |
| 第二章 基础理论和相关技术 | 第17-29页 |
| 2.1 常用的视频监控识别算法 | 第17-20页 |
| 2.1.1 HOG检测算法 | 第17-18页 |
| 2.1.2 TLD跟踪算法 | 第18-20页 |
| 2.2 神经网络的相关理论 | 第20-24页 |
| 2.2.1 神经网络模型 | 第20-21页 |
| 2.2.2 误差反向传播算法 | 第21-23页 |
| 2.2.3 激活函数 | 第23-24页 |
| 2.3 卷积神经网络的基础理论 | 第24-28页 |
| 2.3.1 卷积神经网络的基本结构 | 第24-25页 |
| 2.3.2 卷积层 | 第25-26页 |
| 2.3.3 池化层 | 第26-27页 |
| 2.3.4 SoftMax多分类层 | 第27-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第三章 基于改进的卷积神经网络的行为识别算法 | 第29-45页 |
| 3.1 改进的多尺度卷积神经网络 | 第29-37页 |
| 3.1.1 3D CNN的总体结构 | 第29-30页 |
| 3.1.2 本文设计的网络结构 | 第30-32页 |
| 3.1.3 改进的输入层 | 第32-33页 |
| 3.1.4 三维卷积层与三维时空池化层 | 第33-34页 |
| 3.1.5 NIN网络结构 | 第34-35页 |
| 3.1.6 改进的时空金字塔下采样层 | 第35-37页 |
| 3.2 网络训练与验证 | 第37-40页 |
| 3.2.1 训练流程 | 第37-39页 |
| 3.2.2 验证流程 | 第39页 |
| 3.2.3 运算流程 | 第39-40页 |
| 3.3 仿真实验结果和分析 | 第40-44页 |
| 3.3.1 视频数据库 | 第40-41页 |
| 3.3.2 实验结果与分析 | 第41-42页 |
| 3.3.3 可视化分析 | 第42-43页 |
| 3.3.4 改进的多尺度卷积神经网络的优点 | 第43-44页 |
| 3.4 本章小结 | 第44-45页 |
| 第四章 基于YOLO网络模型的入侵检测与徘徊检测算法 | 第45-59页 |
| 4.1 YOLO网络模型分析与微调实验 | 第45-50页 |
| 4.1.1 YOLO网络的分析 | 第45-48页 |
| 4.1.2 YOLO网络的微调训练实验 | 第48-50页 |
| 4.2 算法设计与实现 | 第50-53页 |
| 4.2.1 入侵检测算法 | 第50-51页 |
| 4.2.2 徘徊检测算法 | 第51-53页 |
| 4.3 测试与分析 | 第53-58页 |
| 4.3.1 实验设计 | 第53-56页 |
| 4.3.2 测试结果与分析 | 第56-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第五章 深度神经网络在监控识别中的应用 | 第59-74页 |
| 5.1 智能视频监控系统的需求分析 | 第59-60页 |
| 5.2 系统概述 | 第60-61页 |
| 5.3 基于深度神经网络的识别服务端 | 第61-67页 |
| 5.3.1 识别服务端框架设计 | 第61-62页 |
| 5.3.2 核心模块 | 第62-65页 |
| 5.3.3 工作流程 | 第65-66页 |
| 5.3.4 系统数据库 | 第66-67页 |
| 5.4 系统的实时性优化 | 第67-70页 |
| 5.4.1 视频解码加速 | 第67-68页 |
| 5.4.2 算法实现加速 | 第68-69页 |
| 5.4.3 逻辑加速 | 第69-70页 |
| 5.5 智能视频监控系统客户端 | 第70-73页 |
| 5.5.1 桌面应用客户端 | 第70-71页 |
| 5.5.2 Web应用客户端 | 第71-73页 |
| 5.6 本章小结 | 第73-74页 |
| 第六章 系统的测试与分析 | 第74-79页 |
| 6.1 系统的检测效果 | 第74页 |
| 6.2 系统的实时性测试与分析 | 第74-76页 |
| 6.3 系统的准确性测试与分析 | 第76-77页 |
| 6.4 系统的优缺点分析 | 第77-78页 |
| 6.5 本章小结 | 第78-79页 |
| 第七章 全文总结与展望 | 第79-81页 |
| 7.1 全文总结 | 第79-80页 |
| 7.2 后续改进与展望 | 第80-81页 |
| 致谢 | 第81-82页 |
| 参考文献 | 第82-85页 |
| 攻硕期间取得的研究成果 | 第85-86页 |