拥挤情况下的人群计数和短时人群流量预测
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 序言 | 第8-11页 |
| 1 引言 | 第11-18页 |
| 1.1 研究背景和意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 研究思路与分析方法 | 第15-16页 |
| 1.3.1 研究思路 | 第15页 |
| 1.3.2 分析方法 | 第15-16页 |
| 1.4 论文主要工作 | 第16-17页 |
| 1.5 本章小结 | 第17-18页 |
| 2 高密度人群计数概述 | 第18-27页 |
| 2.1 智能监控系统结构简述 | 第18-19页 |
| 2.2 人群计数算法概述 | 第19-24页 |
| 2.2.1 基于像素统计的拥挤人群计数算法 | 第20-21页 |
| 2.2.2 基于纹理特征分析的拥挤人群计数算法 | 第21-24页 |
| 2.3 人群拥挤程度研究 | 第24-25页 |
| 2.4 小波神经网络的发展 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 3 高密度人群计数算法实现 | 第27-45页 |
| 3.1 图像预处理 | 第28-32页 |
| 3.2 前景图像提取 | 第32-38页 |
| 3.3 遮挡系数的计算和人群计数 | 第38-43页 |
| 3.3.1 特征点提取 | 第38-40页 |
| 3.3.2 场景分割和遮挡系数计算 | 第40-43页 |
| 3.4 人数统计 | 第43-44页 |
| 3.5 本章小结 | 第44-45页 |
| 4 基于小波神经网络的短时人群流量预测 | 第45-56页 |
| 4.1 小波理论 | 第45-47页 |
| 4.2 小波神经网络 | 第47-53页 |
| 4.2.1 神经网络 | 第47-49页 |
| 4.2.2 反向传播算法 | 第49-51页 |
| 4.2.3 小波神经网络 | 第51-53页 |
| 4.3 网络模型建立 | 第53-54页 |
| 4.4 本章小结 | 第54-56页 |
| 5 高密度人群计数和流量预测的结果与分析 | 第56-64页 |
| 5.1 前景提取 | 第56-58页 |
| 5.2 拥挤人群计数 | 第58-61页 |
| 5.3 短时人群流量预测 | 第61-62页 |
| 5.4 本章小结 | 第62-64页 |
| 6 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64-65页 |
| 6.2 展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第70-72页 |
| 学位论文数据集 | 第72页 |
