| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 背景减除法的研究现状 | 第11页 |
| 1.2.2 图像分割算法的研究现状 | 第11-12页 |
| 1.2.3 基于CNN的目标检测算法研究现状 | 第12-13页 |
| 1.3 研究内容与技术路线 | 第13-15页 |
| 1.4 本文的组织结构 | 第15-16页 |
| 第二章 基于参数自适应的背景减除法 | 第16-27页 |
| 2.1 基于参数自适应的背景减除法概述 | 第16-17页 |
| 2.2 奶山羊视频数据获取及预处理 | 第17-20页 |
| 2.2.1 奶山羊视频数据采集 | 第18页 |
| 2.2.2 预处理 | 第18-20页 |
| 2.3 背景模型、背景减除和参数自适应 | 第20-24页 |
| 2.3.1 背景建模 | 第21-23页 |
| 2.3.2 背景减除 | 第23-24页 |
| 2.3.3 参数自适应 | 第24页 |
| 2.4 实验结果及分析 | 第24-27页 |
| 第三章 基于One-Cut的图像分割算法 | 第27-36页 |
| 3.1 图割算法中能量函数 | 第27-28页 |
| 3.2 One-Cut算法概述 | 第28-30页 |
| 3.3 One-Cut算法的改进 | 第30-33页 |
| 3.3.1 能量函数的改进 | 第30-31页 |
| 3.3.2 网络图结构的改进 | 第31-32页 |
| 3.3.3 最大流最小割算法求解能量函数 | 第32-33页 |
| 3.4 实验结果及讨论 | 第33-36页 |
| 3.4.1 实验结果及分析 | 第33-35页 |
| 3.4.2 结果讨论 | 第35-36页 |
| 第四章 基于FasterR-CNN的奶山羊监控视频中目标检测算法 | 第36-48页 |
| 4.1 卷积神经网络 | 第36-40页 |
| 4.1.1 卷积特征 | 第37-38页 |
| 4.1.2 特征降维 | 第38-39页 |
| 4.1.3 特征提取 | 第39-40页 |
| 4.2 区域建议算法 | 第40-42页 |
| 4.2.1 选择性搜索算法 | 第40-41页 |
| 4.2.2 区域建议网络 | 第41-42页 |
| 4.3 奶山羊目标检测算法流程 | 第42-44页 |
| 4.3.1 基于R-CNN的奶山羊目标检测算法概述 | 第42-43页 |
| 4.3.2 基于FastR-CNN的奶山羊目标检测算法概述 | 第43页 |
| 4.3.3 基于FasterR-CNN的奶山羊目标检测算法概述 | 第43-44页 |
| 4.4 实验结果及分析 | 第44-48页 |
| 第五章 奶山羊监控视频中目标检测算法的优化 | 第48-56页 |
| 5.1 卷积神经网络超参数的确定 | 第48-49页 |
| 5.2 奶山羊目标检测结构的优化 | 第49-53页 |
| 5.2.1 时空区域建议算法 | 第50-51页 |
| 5.2.2 基于多特征的极大值抑制算法 | 第51-53页 |
| 5.3 实验及分析 | 第53-56页 |
| 5.3.1 实验条件 | 第53-54页 |
| 5.3.2 结果及分析 | 第54-56页 |
| 第六章 总结与展望 | 第56-57页 |
| 6.1 总结 | 第56页 |
| 6.2 展望 | 第56-57页 |
| 参考文献 | 第57-60页 |
| 致谢 | 第60-61页 |
| 作者简介 | 第61页 |
