| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 课题背景和意义 | 第10-12页 |
| 1.2 相关领域研究现状 | 第12-15页 |
| 1.2.1 行人检测 | 第12-14页 |
| 1.2.2 事件检测 | 第14-15页 |
| 1.3 论文研究成果 | 第15-16页 |
| 1.4 论文结构安排 | 第16-18页 |
| 第二章 目标检测方法 | 第18-30页 |
| 2.1 引言 | 第18-19页 |
| 2.2 区域选择算法 | 第19-20页 |
| 2.3 卷积神经网络(CNN) | 第20-23页 |
| 2.3.1 CNN历史 | 第21页 |
| 2.3.2 网络结构 | 第21-22页 |
| 2.3.3 网络训练 | 第22-23页 |
| 2.4 基于候选区域的目标检测 | 第23-29页 |
| 2.4.1 R-CNN | 第23-24页 |
| 2.4.2 SPP-NET | 第24-26页 |
| 2.4.3 Fast R-CNN | 第26-27页 |
| 2.4.4 Faster R-CNN | 第27-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 基于Faster R-CNN的行人头肩检测 | 第30-46页 |
| 3.1 引言 | 第30-31页 |
| 3.2 行人检测 | 第31-33页 |
| 3.2.1 主要数据集 | 第31-32页 |
| 3.2.2 重要研究进展 | 第32页 |
| 3.2.3 主要方法 | 第32-33页 |
| 3.3 行人检测性能评价 | 第33-35页 |
| 3.3.1 交并比IoU | 第33-34页 |
| 3.3.2 FPPW和FPPI | 第34-35页 |
| 3.3.3 对数平均漏检率MR | 第35页 |
| 3.4 SED-PD.v2行人检测库 | 第35-36页 |
| 3.5 基于Faster R-CNN的行人头肩检测 | 第36-40页 |
| 3.5.1 跨层池化 | 第36-38页 |
| 3.5.2 困难负样本挖掘 | 第38-39页 |
| 3.5.3 候选框投票 | 第39-40页 |
| 3.5.4 检测流程 | 第40页 |
| 3.5.5 训练细节 | 第40页 |
| 3.6 实验与结果分析 | 第40-44页 |
| 3.6.1 实验细节 | 第40-41页 |
| 3.6.2 SED-PD.v2实验比较 | 第41-43页 |
| 3.6.3 Caltech实验比较 | 第43-44页 |
| 3.6.4 时间效率 | 第44页 |
| 3.7 本章小结 | 第44-46页 |
| 第四章 监控视频中的事件检测 | 第46-62页 |
| 4.1 引言 | 第46-47页 |
| 4.2 动作识别 | 第47-52页 |
| 4.2.1 动作识别库 | 第47-48页 |
| 4.2.2 基于手工特征的动作识别 | 第48-50页 |
| 4.2.3 基于深度网络的动作识别 | 第50-52页 |
| 4.3 TRECVID-SED评测指标 | 第52-53页 |
| 4.4 基于关键姿态的事件检测 | 第53-60页 |
| 4.4.1 ObjectPut事件检测 | 第54-56页 |
| 4.4.2 PersonRuns事件检测 | 第56-57页 |
| 4.4.3 事件融合 | 第57-58页 |
| 4.4.4 人机交互 | 第58页 |
| 4.4.5 评测结果 | 第58-60页 |
| 4.5 本章小结 | 第60-62页 |
| 第五章 总结与展望 | 第62-64页 |
| 5.1 本文总结 | 第62-63页 |
| 5.2 未来工作展望 | 第63-64页 |
| 参考文献 | 第64-72页 |
| 致谢 | 第72-74页 |
| 攻读学位期间发表的学术论文目录 | 第74页 |