| 【中文题名】 | 基于BP网络的实时入侵物体检测系统 |
| 【英文题名】 | The Real Time Object Detection System Based on BP Network |
| 【学科专业】 | 计算机应用技术 |
| 【论文级别】 | 硕士论文 |
| 【投稿时间】 | 2006-11-9 |
| 【中关键词】 | BP神经网络,入侵监视,自适应,,, |
| 【英关键词】 | Back-Propagate Neural Network,Invasion Detect,Self-adaptation, |
| 【分类导航】 | 工业技术>自动化技术、计算机技术>计算技术、计算机技术>计算机的应用>计算机网络>一般性问题 |
| 【论文摘要】 | 现有的视频入侵检测方法主要是利用普通监视器，而且在对指定地点进行监视的时候通常都需要人的参与，使得监视效果随着人的本身状态的波动或者不同监视者间有较大不同。然而改用计算机对监视图像进行自动化监控就能使得监视效果稳定许多，不过如果采用计算机掌管监控图像将会面临一些问题。如物体位置检测经常使用的方法是背景差法，但是，由于在使用简单的背景差法的过程中当背景发生一些变化时(如光照强度变化，背景中物体移动或者雨中的湖面的不规则运动等)，参考图像不能实时的反映背景的变化，从而不能正确地分割出视频序列中的运动物体。这将使得后续的处理如跟踪和识别性能等急剧下降，导致后续处理失败。
为了克服上述问题，相继出现了一些自适应背景更新算法，但其存在计算过于复杂或性能不够稳定等问题。本文提出基于BP神经网络的入侵检测的方法，并通过并行处理的方法降低整个算法的稳定性和可行性。本文的主要工作为：
1．解决了图像作为BP网络的输入时数据量过大的问题。
2．通过实验和并结合一些流行的方法进行BP网络结构的设计。
3．通过对比几种训练算法选择了一个适合本系统的训练方法(变学习率法)... |
| 【论文题纲】 |
|
摘要 |
4-5 |
|
Abstract |
5-9 |
|
1 绪论 |
9-15 |
|
1.1 引言 |
9 |
|
1.2 自动监视方法简介 |
9-13 |
|
1.2.1 入侵检测器的功能与基本原理 |
10 |
|
1.2.2 现有的常用入侵检测方法简介 |
10-13 |
|
1.3 视频入侵检测系统的问题简述 |
13-15 |
|
2 变化检测算法与神经网络技术 |
15-25 |
|
2.1 引言 |
15 |
|
2.2 常见的变化检测算法 |
15-16 |
|
2.3 常见变化检测算法分析 |
16 |
|
2.4 神经网络技术 |
16-25 |
|
2.4.1 神经网络的发展 |
17-18 |
|
2.4.2 神经网络的特点 |
18 |
|
2.4.3 BP网络简介 |
18-25 |
|
3 入侵检测系统的BP网络的设计 |
25-44 |
|
3.1 整体设计 |
25-26 |
|
3.2 输入输出样本的构造 |
26-29 |
|
3.3 BP网络的实现 |
29-36 |
|
3.3.1 BP网络结构的设计 |
30 |
|
3.3.2 BP隐层的确定 |
30-33 |
|
3.3.3 BP网络参数的确定 |
33-35 |
|
3.3.4 BP网络的训练 |
35-36 |
|
3.4 BP网络训练方法的选择 |
36-43 |
|
3.4.1 带动量的梯度下降法(Gradient Descent with Momentum) |
37-38 |
|
3.4.2 变学习率法(Variable Learning Rate) |
38-40 |
|
3.4.3 弹性反相传播法(Resilient Backpropagation) |
40-42 |
|
3.4.4 变梯度法(Conjugate Gradient Algorithms) |
42-43 |
|
3.5 BP网络的程序实现 |
43-44 |
|
4 实验结果与分析 |
44-51 |
|
4.1 实验环境 |
44-45 |
|
4.2 实验过程 |
45-47 |
|
4.3 实验结果与分析 |
47-51 |
|
5 展望与结论 |
51-53 |
|
5.1 全文工作总结 |
51 |
|
5.2 对本课题今后研究方向的预测和展望 |
51-53 |
|
参考文献 |
53-59 |
|
附录 |
59-60 |
|
致谢 |
60 |
|
| 【DOI】 | LunWen.ID:2.2008.388151 |
