| 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10-11页 |
| 1.2 国内外发展现状 | 第11-12页 |
| 1.3 本文主要内容 | 第12-13页 |
| 1.4 本文组织结构 | 第13-14页 |
| 第二章 安全帽佩戴检测相关技术 | 第14-26页 |
| 2.1 实时图像获取 | 第14-15页 |
| 2.2 卷积神经网络 | 第15-17页 |
| 2.3 目标检测技术 | 第17-21页 |
| 2.3.1 传统目标检测 | 第18-19页 |
| 2.3.2 基于深度学习的目标检测 | 第19-21页 |
| 2.4 目标跟踪技术 | 第21-25页 |
| 2.4.1 生成模型方法 | 第21-22页 |
| 2.4.2 判别模型方法 | 第22-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 基于深度学习的安全帽佩戴检测 | 第26-40页 |
| 3.1 复杂场景下的目标检测 | 第26-27页 |
| 3.2 安全帽佩戴特征提取 | 第27-30页 |
| 3.2.1 多尺度目标检测 | 第27-28页 |
| 3.2.2 融合多层特征后的分层预测 | 第28-30页 |
| 3.3 基于Faster R-CNN的安全帽佩戴检测算法 | 第30-35页 |
| 3.3.1 RPN的改进 | 第31-33页 |
| 3.3.2 Fast R-CNN的改进 | 第33-35页 |
| 3.4 结合安全帽佩戴检测的人员跟踪 | 第35-39页 |
| 3.4.1 复杂场景下的人员跟踪 | 第35-36页 |
| 3.4.2 联合深度神经网络与时空关系的人员跟踪 | 第36-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 原型系统的设计和实现 | 第40-66页 |
| 4.1 系统需求分析 | 第40-41页 |
| 4.1.1 功能需求 | 第40页 |
| 4.1.2 性能需求 | 第40-41页 |
| 4.2 系统架构设计 | 第41-42页 |
| 4.3 系统开发环境 | 第42-44页 |
| 4.3.1 Caffe介绍 | 第43页 |
| 4.3.2 OpenCV介绍 | 第43-44页 |
| 4.4 实时图像获取模块 | 第44-46页 |
| 4.4.1 监控视频流推送至服务器端 | 第44-45页 |
| 4.4.2 获取实时监控图像 | 第45-46页 |
| 4.5 安全帽佩戴检测模块 | 第46-53页 |
| 4.5.1 检测目标框的选择 | 第46-47页 |
| 4.5.2 实验数据集的准备 | 第47-50页 |
| 4.5.3 模型的训练和测试 | 第50-53页 |
| 4.6 人员跟踪和报警模块 | 第53-59页 |
| 4.6.1 检测模块的调用 | 第53-54页 |
| 4.6.2 跟踪模块 | 第54-58页 |
| 4.6.3 报警模块 | 第58-59页 |
| 4.7 系统测试和结果分析 | 第59-64页 |
| 4.7.1 监控图像获取 | 第59-60页 |
| 4.7.2 系统实时性 | 第60-62页 |
| 4.7.3 系统可靠性 | 第62-64页 |
| 4.8 本章小结 | 第64-66页 |
| 第五章 总结与展望 | 第66-68页 |
| 5.1 本文研究总结 | 第66-67页 |
| 5.2 未来工作展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72页 |