家居安全监控系统—基于人轮廓特征的人工神经网络
家居安全监控系统—基于人轮廓特征的人工神经网络(任务书,开题报告,外文翻译,论文12700字)
摘要
21世纪以来，人工智能的发展愈发蓬勃，科技领域向智能化发展已成为必然趋势。恰逢社会经济进入了一个飞速发展的时代，人们开始越来越重视生活的质量，对家居安全的重视已上升到了一个新的高度。这正是将家居安防智能化的一个完美契机。
本系统主要是通过智能化网络摄像头对家居安全进行监控，并辅助以红外传感器、超声传感器、燃气传感器、湿度传感器、温度传感器等传感器以提高精度和广度。
在本文中，对于摄像机捕获的图像，首先使用膨胀腐蚀技术进行预处理，再通过二值化和轮廓提取的算法，对图像进行更深一步的处理。得到一个基本处理完成的图像后，对图像进行成分分析，计算图像的特征矩，提取特征值，生成特征向量。
本文使用的神经网络模型为BPNNs。通过训练集的训练，最终形成一个成熟的神经网络，可对后续获得的数据进行计算，分类信息，实现家居安防系统的智能化。
关键词：家居 安防 智能化 轮廓特征提取 人工神经网络
Home security monitoring system of
artificial neural network-based on contour feature
[资料来源：www.doc163.com]
ABSTRACT
Since the 21st century, the vigorous development of artificial intelligence grammar, science and technology to the intelligent development has become an inevitable trend. Coincides with social economy has entered an era of rapid development, more and more people began to pay attention to the quality of life, the importance of home security has risen to a new height. This is a perfect opportunity for intelligent home security.
This system is mainly through intelligent network cameras for home security monitoring, and aided by infrared sensors, ultrasonic sensors, gas sensors, humidity sensors, temperature sensors and other sensors to improve the accuracy and breadth.
In this paper, the image captured by the camera, the first to use expanded pretreatment etching technique, and through binarization and contour extraction algorithms for image processing deeper. A basic image obtained after processing is completed, the image composition analysis, image feature calculating moments, extract feature values, the feature vector is generated.
Neural network model used herein is BPNNs. Training through the training set, and ultimately the formation of a mature neural network, compute, classify information obtained subsequent data, intelligent this whole set of home security systems.
KEYWORDS：Home security，Intelligent，Contour feature extraction，Artificial neural networks
[版权所有：http://DOC163.com]
目 录
摘要 I
ABSTRACT II
第一章 绪论 1
1.1 课题背景及意义 1
1.2 项目介绍 2
1.3 本文的主要内容提要 3
第二章 技术背景 4
2.1 Hi3512 4
2.2 Linux 5
2.3 C语言 5
2.4 图像的预处理技术 6
[资料来源：Doc163.com]
2.5 特征提取 6
2.6 反向传播人工神经网络（BPNNs） 7
2.7 小结 9
第三章 需求分析与部分模块设计 10
3.1 系统需求分析 10
3.2 系统架构 11
3.3 部分模块设计 12
3.4 小结 14
第四章 特征提取 15
4.1 灰度图到二值图的转换 15
4.2 图像降维算法 16
4.3 轮廓提取 17
4.4 特征矩的提取 19
4.5 小结 20
第五章 BP神经网络 21
5.1基本BP神经网络模型 21
5.2自适应调节学习率&动量项 23
5.3陡度因子 24
5.4 具体实现代码 25
5.5 小结 27
第六章 实验与结果分析 28
6.1将灰度图转换为二值图 28
6.2 降维算法的实际效率 29
6.3轮廓提取后的特征矩阵的提取 29
6.4人工神经网络的训练 30
6.5神经网络的可靠性验证 32
第七章 总结与展望 33
7.1 本文工作总结 33
7.2 下一步工作展望 33
参考文献 34 [来源：http://Doc163.com]