| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 第1章 绪论 | 第8-17页 |
| 1.1 课题的研究背景与意义 | 第8-10页 |
| 1.1.1 课题的研究背景 | 第8-9页 |
| 1.1.2 密集人群计数的研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 密集人群密度等级估计 | 第10-11页 |
| 1.2.2 密集人群人员数量统计 | 第11-13页 |
| 1.2.3 密集人群图像数据集 | 第13-14页 |
| 1.3 本文工作及结构安排 | 第14-17页 |
| 1.3.1 本文的主要工作 | 第14-16页 |
| 1.3.2 论文的结构安排 | 第16-17页 |
| 第2章 基于图像分析的人员数量估计算法 | 第17-28页 |
| 2.1 基于人群密度的人员数量估计算法 | 第17-23页 |
| 2.1.1 灰度共生矩阵GLDM纹理特征提取 | 第18-19页 |
| 2.1.2 支持向量机SVM特征分类 | 第19-23页 |
| 2.2 基于目标检测的人员数量估计算法 | 第23-26页 |
| 2.2.1 聚合通道特征ICF提取 | 第24-25页 |
| 2.2.2 Adaboost特征分类 | 第25-26页 |
| 2.3 基于特征回归的人员数量估计算法 | 第26页 |
| 2.4 本章小结 | 第26-28页 |
| 第3章 基于卷积神经网络的密集人群计数方案 | 第28-42页 |
| 3.1 方案概述 | 第28-29页 |
| 3.2 构建输入自适应多通道卷积神经网络模型 | 第29-41页 |
| 3.2.1 卷积层 | 第31-34页 |
| 3.2.2 池化层 | 第34-35页 |
| 3.2.3 残差网络结构 | 第35-36页 |
| 3.2.4 反卷积层 | 第36-37页 |
| 3.2.5 损失函数 | 第37-38页 |
| 3.2.6 反向传播过程 | 第38-40页 |
| 3.2.7 输入自适应的多通道卷积神经网络模型总结 | 第40-41页 |
| 3.3 本章小结 | 第41-42页 |
| 第4章 基于卷积神经网络的密集人群计数实验 | 第42-58页 |
| 4.1 实验平台介绍 | 第42-43页 |
| 4.2 构建TJUCrowdDataset实验数据集 | 第43-46页 |
| 4.3 实验数据集预处理 | 第46-49页 |
| 4.4 网络模型设计及参数选择 | 第49-51页 |
| 4.5 基于卷积神经网络的密集人群计数实验及结果分析 | 第51-56页 |
| 4.5.1 实验一：TJUCrowdDataset人群计数实验 | 第52-55页 |
| 4.5.2 实验二：UCFCC50数据集人群计数实验 | 第55-56页 |
| 4.5.3 实验三：UCSD数据集人群计数实验 | 第56页 |
| 4.6 本章小结 | 第56-58页 |
| 第5章 其他工作 | 第58-66页 |
| 5.1 一种具有高选择性和可调带宽的滤波器设计方法介绍 | 第58-63页 |
| 5.2 实验的结果及分析 | 第63-66页 |
| 第6章 总结与展望 | 第66-68页 |
| 6.1 总结 | 第66-67页 |
| 6.2 展望 | 第67-68页 |
| 参考文献 | 第68-73页 |
| 发表论文和参加科研情况说明 | 第73-74页 |
| 致谢 | 第74页 |
