| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.1.1 人流量检测背景和意义 | 第11页 |
| 1.1.2 云计算背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 人流量检测国内外研究现状 | 第12-15页 |
| 1.2.2 云计算国内外研究现状 | 第15页 |
| 1.3 本文工作及内容安排 | 第15-17页 |
| 第二章 基于混合高斯建模的运动目标提取 | 第17-34页 |
| 2.1 引言 | 第17页 |
| 2.2 目标提取方法 | 第17-20页 |
| 2.2.1 背景差分法 | 第17-18页 |
| 2.2.2 帧间差法 | 第18-19页 |
| 2.2.3 光流法 | 第19-20页 |
| 2.3 背景建模 | 第20-27页 |
| 2.3.1 Codebook背景建模 | 第20-23页 |
| 2.3.2 单高斯背景建模 | 第23-24页 |
| 2.3.3 混合高斯背景建模 | 第24-26页 |
| 2.3.4 平均背景建模 | 第26-27页 |
| 2.4 形态学滤波及实验 | 第27-30页 |
| 2.5 建模实验结果与分析 | 第30-34页 |
| 第三章 基于Adaboost的行人统计相关技术研究 | 第34-47页 |
| 3.1 引言 | 第34页 |
| 3.2 Haar-like特征 | 第34-35页 |
| 3.3 积分图 | 第35-36页 |
| 3.4 Adaboost算法 | 第36-42页 |
| 3.4.1 离散Adaboost算法 | 第36-40页 |
| 3.4.2 连续Adaboost算法 | 第40-42页 |
| 3.5 连续Adaboost算法的改进 | 第42-44页 |
| 3.6 级联分类器 | 第44-47页 |
| 3.6.1 级联分类器的结构 | 第44-45页 |
| 3.6.2 级联分类器优点分析 | 第45-47页 |
| 第四章 行人头部检测与统计 | 第47-64页 |
| 4.1 级联分类器的训练 | 第48-54页 |
| 4.1.1 正负样本的制作 | 第48-50页 |
| 4.1.2 训练Adaboost分类器 | 第50-51页 |
| 4.1.3 检测实验结果与分析 | 第51-54页 |
| 4.2 基于Haar-like特征的头部检测 | 第54-61页 |
| 4.2.1 设定检测区域 | 第55-56页 |
| 4.2.2 头部检测时的定位与多尺度检测 | 第56-57页 |
| 4.2.3 基于NMS算法的多检测窗口合并 | 第57-59页 |
| 4.2.4 头部目标的跟踪与计数 | 第59-61页 |
| 4.3 检测与统计实验结果分析 | 第61-64页 |
| 4.3.1 实验环境 | 第61页 |
| 4.3.2 实验评价指标 | 第61页 |
| 4.3.3 人数统计软件界面 | 第61-62页 |
| 4.3.4 人数统计实验结果与分析 | 第62-64页 |
| 第五章 系统总体设计 | 第64-74页 |
| 5.1 系统设计整体流程与模块分析 | 第64-65页 |
| 5.2 嵌入式终端设计 | 第65-69页 |
| 5.2.1 硬件选型 | 第65-67页 |
| 5.2.2 安装交叉编译器 | 第67页 |
| 5.2.3 配置Qt | 第67-68页 |
| 5.2.4 移植FFmpeg | 第68-69页 |
| 5.2.5 视频采集与传输 | 第69页 |
| 5.3 云服务器设计 | 第69-74页 |
| 5.3.1 云平台介绍 | 第69-70页 |
| 5.3.2 服务端设计 | 第70-74页 |
| 总结与展望 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 攻读硕士学位期间取得的研究成果 | 第80-81页 |
| 致谢 | 第81-82页 |
| 附件 | 第82页 |