基于深度学习的监控视频干扰检测的应用与研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 研究意义 | 第8页 |
| 1.2 国内外研究现状分析 | 第8-10页 |
| 1.3 研究内容和创新点 | 第10页 |
| 1.4 论文章节安排 | 第10-12页 |
| 第2章 深度学习与监控视频干扰检测研究综述 | 第12-19页 |
| 2.0 引言 | 第12页 |
| 2.1 深度学习简介 | 第12-15页 |
| 2.2 视频图像干扰检测方法综述 | 第15-17页 |
| 2.2.1 基于自然信息统计的干扰检测方法 | 第15-16页 |
| 2.2.2 基于机器学习的干扰检测方法 | 第16-17页 |
| 2.3 基于深度学习的相关干扰检测方法 | 第17页 |
| 2.4 监控视频干扰类型简介 | 第17-18页 |
| 2.5 本章小结 | 第18-19页 |
| 第3章 基于深度学习的监控视频树叶遮挡检测 | 第19-34页 |
| 3.1 树叶遮挡检测研究现状 | 第19-20页 |
| 3.2 树叶遮挡问题分析 | 第20-24页 |
| 3.2.1 基于颜色空间的树叶特征分析 | 第20-23页 |
| 3.2.2 树叶的时域特征 | 第23页 |
| 3.2.3 树叶遮挡的分布规律 | 第23-24页 |
| 3.2.4 树叶遮挡特点 | 第24页 |
| 3.3 树叶遮挡检测算法 | 第24-30页 |
| 3.3.1 基于卷积神经网络的树叶识别模型 | 第25-27页 |
| 3.3.2 基于贝叶斯模型的树叶遮挡判断 | 第27-30页 |
| 3.4 实验 | 第30-33页 |
| 3.4.1 数据集 | 第30页 |
| 3.4.2 数据扩充 | 第30-31页 |
| 3.4.3 对比试验 | 第31-32页 |
| 3.4.4 失真标签 | 第32-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第4章 基于深度学习的监控视频清晰度质量评价 | 第34-46页 |
| 4.1 清晰度质量评价研究现状 | 第34-35页 |
| 4.2 清晰度质量评价算法 | 第35-39页 |
| 4.2.1 清晰度视频主观评价方法 | 第35-36页 |
| 4.2.2 基于卷积神经网络的清晰度回归模型 | 第36-39页 |
| 4.3 训练工具 | 第39-41页 |
| 4.3.1 基于MATLAB的训练平台 | 第39-40页 |
| 4.3.2 基于Caffe的深度学习工程实现 | 第40-41页 |
| 4.4 实验 | 第41-44页 |
| 4.4.1 数据集 | 第41页 |
| 4.4.3 评价指标 | 第41-42页 |
| 4.4.4 网络结构 | 第42-44页 |
| 4.4.5 对比试验 | 第44页 |
| 4.5 本章小结 | 第44-46页 |
| 第5章 结论与展望 | 第46-48页 |
| 5.1 对本文的总结 | 第46-47页 |
| 5.2 对未来的展望 | 第47-48页 |
| 致谢 | 第48-49页 |
| 参考文献 | 第49-54页 |
| 附录1 攻读硕士学位期间发表的论文 | 第54-55页 |
| 附录2 攻读硕士学位期间参加的科研项目 | 第55页 |
