| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第1章 绪论 | 第8-20页 |
| 1.1 选题背景与意义 | 第8-9页 |
| 1.2 国内外研究情况 | 第9-18页 |
| 1.2.1 传统的机器学习方法 | 第9-11页 |
| 1.2.2 深度学习方法估计人群密度 | 第11-16页 |
| 1.2.3 人群计数算法评测数据集 | 第16-18页 |
| 1.3 本文主要工作与贡献 | 第18-20页 |
| 第2章 基于回归模型的人群计数算法 | 第20-28页 |
| 2.1 引言 | 第20页 |
| 2.2 算法流程 | 第20-24页 |
| 2.2.1 前景分割 | 第20-21页 |
| 2.2.2 视角归一化 | 第21-22页 |
| 2.2.3 特征提取 | 第22-24页 |
| 2.2.4 人数回归 | 第24页 |
| 2.3 数据集及实验 | 第24-27页 |
| 2.3.1 算法评价指标 | 第24-25页 |
| 2.3.2 实验对比与实验分析(PETS2009与UCSD数据集) | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 基于深度学习的人群密度估计算法 | 第28-38页 |
| 3.1 引言 | 第28页 |
| 3.2 卷积神经网络 | 第28-34页 |
| 3.2.1 卷积操作 | 第28-30页 |
| 3.2.2 卷积神经网络优点 | 第30-33页 |
| 3.2.3 池化 | 第33-34页 |
| 3.3 基于深度学习方法的人群密度估计算法 | 第34-36页 |
| 3.3.1 算法流程 | 第34-35页 |
| 3.3.2 人群计数网络 | 第35-36页 |
| 3.3.3 评价标准 | 第36页 |
| 3.4 实验对比与实验分析(UCSD数据集) | 第36-37页 |
| 3.5 本章小结 | 第37-38页 |
| 第4章 基于人群密度预分类网络的深度人群计数算法 | 第38-47页 |
| 4.1 引言 | 第38-39页 |
| 4.2 人群密度预分类网络 | 第39-40页 |
| 4.3 人群计数网络 | 第40-41页 |
| 4.4 实验对比与实验分析(UCF_CC_50与ShanghaiTech数据集) | 第41-46页 |
| 4.4.1 UCF_CC_50数据集 | 第41-43页 |
| 4.4.2 ShanghaiTech数据集 | 第43-45页 |
| 4.4.3 迁移学习 | 第45-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第5章 深度人群计数系统设计与实现 | 第47-53页 |
| 5.1 引言 | 第47页 |
| 5.2 交互界面设计与实现 | 第47-48页 |
| 5.3 系统内部逻辑实现 | 第48-50页 |
| 5.3.1 Caffe环境初始化线程设计 | 第49页 |
| 5.3.2 人群计数区域选择线程设计 | 第49页 |
| 5.3.3 人群密度估计线程设计 | 第49-50页 |
| 5.4 系统测试 | 第50-52页 |
| 5.5 本章小结 | 第52-53页 |
| 第6章 结论与展望 | 第53-55页 |
| 6.1 结论 | 第53页 |
| 6.2 展望 | 第53-55页 |
| 参考文献 | 第55-60页 |
| 致谢 | 第60-61页 |
| 攻读学位期间所开展的科研项目和发表的学术论文 | 第61页 |