基于深度图像序列的行人检测与统计方法研究
| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第1章 绪论 | 第9-15页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.3 人数统计的难点及挑战 | 第12-13页 |
| 1.4 主要工作与章节安排 | 第13-15页 |
| 第2章 深度图像成像原理和预处理技术 | 第15-23页 |
| 2.1 引言 | 第15页 |
| 2.2 深度图像成像原理 | 第15-16页 |
| 2.3 中值滤波预处理技术 | 第16-18页 |
| 2.4 邻域填充预处理技术 | 第18-19页 |
| 2.5 前景提取方法 | 第19-22页 |
| 2.5.1 背景减除与差分 | 第19-20页 |
| 2.5.2 光流法 | 第20页 |
| 2.5.3 高斯背景模型 | 第20-22页 |
| 2.6 本章小结 | 第22-23页 |
| 第3章 基于多特征的行人头部检测技术研究 | 第23-33页 |
| 3.1 引言 | 第23页 |
| 3.2 头部特征定义 | 第23-24页 |
| 3.3 基于多特征的行人头部区域检测 | 第24-27页 |
| 3.3.1 区域划分 | 第24-25页 |
| 3.3.2 头部区域检测 | 第25-27页 |
| 3.4 仿真实验及分析 | 第27-32页 |
| 3.4.1 深度图像区域划分 | 第27-28页 |
| 3.4.2 多样性发型的头部区域检测及分析 | 第28-30页 |
| 3.4.3 头部部分遮挡的头部区域检测及分析 | 第30-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第4章 基于同心圆的行人头部检测技术研究 | 第33-52页 |
| 4.1 引言 | 第33页 |
| 4.2 问题描述 | 第33-36页 |
| 4.2.1 模型的建立 | 第33页 |
| 4.2.2 模型的求解 | 第33-36页 |
| 4.3 头部区域的序列对“距离”标准 | 第36页 |
| 4.4 均角射线法取点标准 | 第36-37页 |
| 4.5 序列对“距离”计算理论 | 第37-39页 |
| 4.6 基于同心圆的头部检测算法 | 第39-41页 |
| 4.6.1 同心圆适配 | 第39-40页 |
| 4.6.2 概率图的形成 | 第40页 |
| 4.6.3 概率图的分割 | 第40-41页 |
| 4.7 基于头部特征点和同心圆的快速头部检测算法 | 第41-43页 |
| 4.7.1 头部特征点的提取 | 第41-43页 |
| 4.7.2 概率阈值的分割 | 第43页 |
| 4.8 仿真实验与分析 | 第43-51页 |
| 4.8.1 同心圆适配 | 第44-46页 |
| 4.8.2 概率图分割 | 第46-47页 |
| 4.8.3 特征点提取 | 第47-48页 |
| 4.8.4 头部检测结果 | 第48-51页 |
| 4.8.5 算法效率 | 第51页 |
| 4.9 本章小结 | 第51-52页 |
| 第5章 基于卡尔曼滤波的行人流量统计 | 第52-66页 |
| 5.1 引言 | 第52页 |
| 5.2 卡尔曼滤波原理 | 第52-54页 |
| 5.3 卡尔曼滤波模型的建立 | 第54-56页 |
| 5.4 图像中目标坐标确定 | 第56页 |
| 5.5 目标的匹配策略 | 第56-57页 |
| 5.6 目标轨迹线判断策略 | 第57-59页 |
| 5.7 目标轨迹线长度过滤 | 第59页 |
| 5.8 目标有效检测占比 | 第59-60页 |
| 5.9 仿真实验与分析 | 第60-65页 |
| 5.9.1 实验室进出口实测 | 第60-63页 |
| 5.9.2 公交车前后车门实测 | 第63-65页 |
| 5.10 本章小结 | 第65-66页 |
| 第6章 总结与展望 | 第66-68页 |
| 6.1 总结 | 第66-67页 |
| 6.2 研究展望 | 第67-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-73页 |
| 攻读硕士学位期间的研究成果 | 第73页 |
