| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究的背景与意义 | 第10页 |
| 1.2 智能视频监控系统的发展 | 第10-12页 |
| 1.2.1 视频监控的发展 | 第10-11页 |
| 1.2.2 智能识别、智能视频监控的发展 | 第11-12页 |
| 1.2.3 智能监控视频在变电房中的应用状况 | 第12页 |
| 1.3 人物检测跟踪的现状 | 第12-13页 |
| 1.4 人物异常行为识别的现状 | 第13-14页 |
| 1.5 论文章节安排 | 第14-16页 |
| 第二章 基于ViBe背景建模和背景帧差法的变电房中工作人员检测方法 | 第16-31页 |
| 2.1 引言 | 第16页 |
| 2.2 基于ViBe背景建模和背景帧差法的变电房工作人员检测方法概述 | 第16页 |
| 2.3 变电房中视频图像的预处理 | 第16-17页 |
| 2.3.1 变电房视频图像灰度化处理 | 第16-17页 |
| 2.3.2 变电房视频图像的中值滤波去噪处理 | 第17页 |
| 2.4 变电房中工作人员的检测 | 第17-20页 |
| 2.4.1 变电房的背景帧差法检测概述 | 第18页 |
| 2.4.2 实验对比几种检测方法实现变电房工作人员检测的效果 | 第18-20页 |
| 2.5 基于ViBe算法对变电房进行背景建模 | 第20-25页 |
| 2.5.1 ViBe背景建模法实现变电房内背景建模的方法概述 | 第20-21页 |
| 2.5.2 实验对比中值建模、ViBe建模和混合高斯背景建模三种方法在变电房应用的效果 | 第21-25页 |
| 2.6 基于数字形态学处理对变电房内工作人员检测方法概述 | 第25-27页 |
| 2.7 用矩形框提取出变电房的工作人员 | 第27-29页 |
| 2.8 变电房中工作人员检测结果 | 第29页 |
| 2.9 本章小结 | 第29-31页 |
| 第三章 基于KCF跟踪算法在变电房中的目标跟踪 | 第31-41页 |
| 3.1 引言 | 第31页 |
| 3.2 基于KCF跟踪算法在变电房中的目标跟踪概述 | 第31-35页 |
| 3.2.1 提取变电房工作人员的HOG特征 | 第32-33页 |
| 3.2.2 脊回归训练器分类变电房工作人员特征信息 | 第33-35页 |
| 3.3 实验对比mean shift跟踪算法、KCF跟踪算法和卡尔曼滤波算法 | 第35-40页 |
| 3.3.1 mean shift跟踪算法在变电房中的效果 | 第36-37页 |
| 3.3.2 卡尔曼滤波跟踪算法在变电房中的效果 | 第37-38页 |
| 3.3.3 KCF在变电房跟踪算法在变电房中的检测效果 | 第38-39页 |
| 3.3.4 实验对比分析 | 第39-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第四章 基于HOG+SVM分类判别法对变电房中工作人员的特征提取以及行为识别. | 第41-55页 |
| 4.1 引言 | 第41页 |
| 4.2 HOG+SVM分类方法对变电房工作人员行为动作识别理论概述 | 第41-46页 |
| 4.2.1 蹲下、跌倒、行走的图片预处理 | 第41-43页 |
| 4.2.2 提取蹲下、跌倒、行走图片的HOG特征 | 第43-44页 |
| 4.2.3 使用SVM分类器判别蹲下、跌倒、行走的行为 | 第44-46页 |
| 4.3 实验对比检测效果 | 第46-54页 |
| 4.3.1 传统方式判断行走站立、蹲下与跌倒 | 第47-50页 |
| 4.3.2 HOG+SVM的检测效果 | 第50-54页 |
| 4.4 本章小结 | 第54-55页 |
| 第五章 变电房工作人员监测系统的实现 | 第55-65页 |
| 5.1 引言 | 第55页 |
| 5.2 变电房工作人员检测系统整体框架与界面设计 | 第55-59页 |
| 5.2.1 变电房智能视频监控系统登录界面 | 第56-58页 |
| 5.2.2 变电房智能视频监控系统监视界面 | 第58-59页 |
| 5.3 变电房视频数据读取模块 | 第59-60页 |
| 5.4 变电房工作人员进入带电区域检测模块 | 第60-62页 |
| 5.5 变电房工作人员行为判断模块 | 第62-64页 |
| 5.6 本章小结 | 第64-65页 |
| 结论与展望 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 致谢 | 第73-74页 |
| 答辩委员会对论文的评定意见 | 第74页 |
