| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究工作的背景与意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 监控场景下人数统计的难点 | 第14页 |
| 1.4 本文的主要贡献和创新 | 第14-15页 |
| 1.5 本论文的组织结构 | 第15-17页 |
| 第二章 人体目标检测技术综述 | 第17-35页 |
| 2.1 人体目标检测算法的基本框架 | 第17-18页 |
| 2.2 传统的人体目标检测方法 | 第18-25页 |
| 2.2.1 提取人体目标特征 | 第18-22页 |
| 2.2.2 设计分类器模型 | 第22-25页 |
| 2.3 基于深度学习技术的目标检测方法 | 第25-30页 |
| 2.3.1 R-CNN和SPP-Net | 第26-28页 |
| 2.3.2 Fast R-CNN和Faster R-CNN | 第28-29页 |
| 2.3.3 YOLO和SSD | 第29-30页 |
| 2.4 人体目标检测算法所用数据集和评价指标 | 第30-34页 |
| 2.4.1 人体目标检测算法所用数据集介绍 | 第30-32页 |
| 2.4.2 人体目标检测算法的评价指标 | 第32-34页 |
| 2.5 本章小结 | 第34-35页 |
| 第三章 基于R-FCN的人体目标检测方法的研究 | 第35-48页 |
| 3.1 区域全卷积神经网络概述 | 第35-37页 |
| 3.2 监控场景中人体目标表征模型的研究 | 第37-43页 |
| 3.2.1 人体头肩Omega表征模型 | 第37-39页 |
| 3.2.2 人体头肩与人体全身表征模型对比实验与分析 | 第39-43页 |
| 3.3 训练网络时模型更新策略的研究 | 第43-47页 |
| 3.3.1 基于难例挖掘机制的模型更新机制 | 第43-45页 |
| 3.3.2 基于难例挖掘机制的检测算法对比实验与分析 | 第45-47页 |
| 3.4 本章小结 | 第47-48页 |
| 第四章 候选检测窗口选择方法的研究 | 第48-57页 |
| 4.1 提取候选检测窗口的方法综述 | 第48-50页 |
| 4.2 基于区域候选网络提取候选检测窗口 | 第50-52页 |
| 4.3 区域候选网络的改进和对比实验分析 | 第52-56页 |
| 4.4 本章小结 | 第56-57页 |
| 第五章 监控场景中人数统计方法的实现与应用 | 第57-70页 |
| 5.1 监控场景中人数统计方法的整体实现 | 第57-59页 |
| 5.2 监控场景中人数统计方法的对比实验与分析 | 第59-66页 |
| 5.3 监控场景中人数统计方法在实际工程中的应用 | 第66-68页 |
| 5.4 本章小结 | 第68-70页 |
| 第六章 总结与展望 | 第70-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 攻读硕士学位期间取得的成果 | 第77-78页 |
