| 摘要 | 第1-5页 |
| ABSTRACT | 第5-9页 |
| 第一章 绪论 | 第9-14页 |
| ·研究目的与意义 | 第9-10页 |
| ·国内外研究现状 | 第10-12页 |
| ·本文的主要研究工作 | 第12-13页 |
| ·论文组织结构 | 第13-14页 |
| 第二章 人群密度估计方法及阴影去除的研究 | 第14-35页 |
| ·人群监测系统 | 第14-15页 |
| ·基于像素统计的人群密度估计 | 第15-20页 |
| ·基于纹理分析的人群密度估计 | 第20-22页 |
| ·纹理分析概念 | 第20页 |
| ·人群密度估计中的纹理分析 | 第20-22页 |
| ·基于个体特征的人群密度估计 | 第22-24页 |
| ·阴影的检测与去除 | 第24-30页 |
| ·基于纹理的阴影检测 | 第25-27页 |
| ·基于颜色空间的阴影检测 | 第27-30页 |
| ·分类器 | 第30-33页 |
| ·分类器的概念 | 第30-32页 |
| ·BP 神经网络 | 第32-33页 |
| ·小结 | 第33-35页 |
| 第三章 自适应背景更新的人群密度估计及阴影去除算法 | 第35-51页 |
| ·运动目标检测 | 第35-40页 |
| ·常见的运动目标检测方法 | 第35-38页 |
| ·自适应背景模型的运动目标检测方法 | 第38-40页 |
| ·自适应的背景模型 | 第38-39页 |
| ·动态更新的二值化阈值 | 第39-40页 |
| ·阴影的检测和去除 | 第40-42页 |
| ·人群密度的估计 | 第42-50页 |
| ·低密度人群环境下的密度估计 | 第42-45页 |
| ·边缘检测 | 第42-44页 |
| ·曲线拟合 | 第44-45页 |
| ·高密度下的人群密度估计 | 第45-50页 |
| ·基于灰度共生矩阵的纹理分析 | 第45-46页 |
| ·纹理特征的提取 | 第46-48页 |
| ·BP 神经网络的创建 | 第48-50页 |
| ·本章小结 | 第50-51页 |
| 第四章 模拟系统的设计与实现 | 第51-73页 |
| ·实验环境 | 第51-53页 |
| ·OpenCV 介绍 | 第51页 |
| ·Visual C++与 Matlab 的混合编程 | 第51-53页 |
| ·MCC 的使用 | 第52页 |
| ·在VC++中嵌入编译结果 | 第52-53页 |
| ·系统结构 | 第53-54页 |
| ·视频图像的输入 | 第54-57页 |
| ·视频图像的采集 | 第55-56页 |
| ·图像文件的读取 | 第56-57页 |
| ·预处理 | 第57-63页 |
| ·目标检测 | 第57-62页 |
| ·背景差分 | 第57-58页 |
| ·二值化阈值的选取 | 第58-62页 |
| ·阴影去除 | 第62-63页 |
| ·低密度人群环境下的密度估计 | 第63-66页 |
| ·边缘像素特征的提取 | 第63-65页 |
| ·曲线拟合 | 第65-66页 |
| ·高密度人群环境下的密度估计 | 第66-70页 |
| ·纹理特征的提取 | 第66-68页 |
| ·生成16 级灰度图 | 第66页 |
| ·生成灰度共生矩阵 | 第66-68页 |
| ·特征值的计算 | 第68页 |
| ·BP 神经网络的训练和使用 | 第68-70页 |
| ·神经网络的训练 | 第68-70页 |
| ·神经网络的使用 | 第70页 |
| ·实验结果及分析 | 第70-72页 |
| ·低密度人群测试 | 第70-71页 |
| ·高密度人群测试 | 第71-72页 |
| ·小结 | 第72-73页 |
| 第五章 结束语 | 第73-75页 |
| ·论文的主要成果、创新与不足 | 第73-74页 |
| ·未来的研究工作 | 第74-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 攻硕期间取得的成果 | 第80-81页 |