基于TOF相机的公交客流量采集系统
| 摘要 | 第2-3页 |
| abstract | 第3页 |
| 第一章 绪论 | 第7-12页 |
| 1.1 课题研究背景及学术意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.3 论文研究内容及组织结构 | 第10-12页 |
| 1.3.1 基于TOF相机的客流统计系统简介 | 第10页 |
| 1.3.2 论文的章节安排 | 第10-12页 |
| 第二章 深度数据的获取与预处理 | 第12-20页 |
| 2.1 深度图像的获取 | 第12-14页 |
| 2.1.1 TOF相机工作原理 | 第12-13页 |
| 2.1.2 深度数据采集 | 第13-14页 |
| 2.2 深度图像阈值化处理 | 第14-15页 |
| 2.3 深度图像预处理 | 第15-19页 |
| 2.3.1 深度图像形态学处理 | 第15-17页 |
| 2.3.2 中值滤波 | 第17-19页 |
| 2.4 本章小结 | 第19-20页 |
| 第三章 客流统计系统的客流目标检测 | 第20-36页 |
| 3.1 深度图像的分割 | 第20-26页 |
| 3.1.1 图像分割基本方法 | 第20-23页 |
| 3.1.2 最大稳定极值区域分割算法定义 | 第23-24页 |
| 3.1.3 结合梯度分层的MSER算法 | 第24-26页 |
| 3.2 支持向量机(SVM) | 第26-31页 |
| 3.2.1 支持向量机核函数的选取 | 第26-28页 |
| 3.2.2 SVM原理及算法 | 第28-31页 |
| 3.3 基于支持向量机的目标识别算法 | 第31-34页 |
| 3.3.1 采集样本 | 第32页 |
| 3.3.2 图像的缩放 | 第32-33页 |
| 3.3.3 SVM训练 | 第33-34页 |
| 3.3.4 SVM决策 | 第34页 |
| 3.4 头部检测识别结果及分析 | 第34-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 客流目标跟踪 | 第36-42页 |
| 4.1 运动目标算法概述 | 第37-39页 |
| 4.2 基于人头重心的乘客跟踪算法 | 第39-41页 |
| 4.3 本章总结 | 第41-42页 |
| 第五章 公交客流量采集系统设计 | 第42-48页 |
| 5.1 客流量采集系统硬件结构 | 第42页 |
| 5.2 系统硬件部署方案 | 第42-43页 |
| 5.2.1 视频采集设备 | 第42页 |
| 5.2.2 车载芯片 | 第42-43页 |
| 5.3 人流量系统统计策略 | 第43-45页 |
| 5.3.1 人流量统计系统设计准则 | 第43-44页 |
| 5.3.2 客流采集系统前台界面 | 第44-45页 |
| 5.4 测试结果分析 | 第45-47页 |
| 5.4.1 检测率 | 第45-47页 |
| 5.4.2 检测时间 | 第47页 |
| 5.5 本章总结 | 第47-48页 |
| 第六章 总结与展望 | 第48-50页 |
| 6.1 全文总结 | 第48页 |
| 6.2 未来研究展望 | 第48-50页 |
| 参考文献 | 第50-54页 |
| 攻读学位期间的研究成果 | 第54-55页 |
| 致谢 | 第55-56页 |
