如今監(jiān)控視頻已經普及到我們生活中的各個角落,隨著監(jiān)控設備大量的投入使用,如何保證龐大的監(jiān)控系統處于正常工作狀態(tài)已成為研究的熱點課題,通過對現有的文獻資料研究分析,影響監(jiān)控視頻圖像質量異常有多種因素,有人為以及環(huán)境的影響,在設備投入的長時間使用中其本身也會出現各種各樣的硬件故障,可以通過對視頻圖像的分析從而發(fā)現設備的故障情況,以提高維護人員的工作效率,所以對圖像異常的研究分析有著實際的意義,在目前的監(jiān)控視頻圖像質量檢測方法中,大多需要大量前期的圖像預處理工作如特征提取等,并且易受圖像場景以及自然環(huán)境因素的影響,雖然能夠在一定程度上識別出異常圖像,但是影響圖像質量的原因有很多,而由于人工干預太多增加了方法的主觀性,導致其應用起來有著太多的局限性,并且建模比較復雜,而采用深度學習的方法能夠有效的避免這些問題。論文通過構建深度學習模型來進行圖像異常識別,主要的研究工作有,首先對深度學習的基礎模型、使用工具caffe框架以及深度學習方法的分析,通過對采集到的監(jiān)控視頻圖像分析,主要有偏色和攝像機角度兩種異常情況,并通過人工將采集到的正常圖像模擬了馬賽克、清晰度、高斯噪聲和椒鹽噪聲異常類型,然后對其... 

【文章來源】：昆明理工大學云南省

【文章頁數】：76 頁

【學位級別】：碩士

【部分圖文】：

Sigmoid函數曲線圖

圖 2.6 Sigmoid 函數曲線圖nh 函數 函數基本上與 Sigmoid 函數有著像同的性質，不同的是 Tanh非零均值的問題，將輸入的實值壓縮到（-1,1）之間，使其收對于梯度消失的問題依然沒有解決，數學表達式為，tanh 2.7 所示：

0的數據壓縮為 0，大于0的數據保持不變且導數為恒定值t 網絡中就得到了非常不錯的效果，相比于 sigmoid/tanh 激 收斂速度更快并且梯度不會出現飽和現象，其次是 ReLU 閾值就能得到激活值，而不需要通過復雜的指數運算，加算速度，根據生物神經網絡對輸入信號具有選擇性響應的8]，能夠屏蔽掉部分輸入信號使其學習率的精度得到提高，性，更接近生物神經特性，由于 ReLU 函數使部分神經元的參數之間的依賴關系使過擬合現象得到緩解，但是也存在“壞死”現象，由于 ReLU 在x < 0時其梯度被置為 0，使任何數據激活，導致權重參數不再能更新，可以通過設置整，每種激活函數都有其各自的特點，在實際應用中需要激活函數。


本文編號：3409301