| 中文摘要 | 第12-13页 |
| ABSTRACT | 第13-14页 |
| 第一章 绪论 | 第15-19页 |
| 1.1 研究背景与意义 | 第15-16页 |
| 1.1.1 研究背景 | 第15页 |
| 1.1.2 研究意义 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-18页 |
| 1.2.1 传统的人群密度估计研究现状 | 第16-17页 |
| 1.2.2 深度学习的研究现状 | 第17页 |
| 1.2.3 卷积神经网络的研究现状 | 第17-18页 |
| 1.3 本文主要内容及章节安排 | 第18-19页 |
| 第二章 人群密度等级估计基础理论 | 第19-33页 |
| 2.1 人群密度估计方法介绍 | 第19-20页 |
| 2.2 特征提取方法 | 第20-24页 |
| 2.2.1 基于小波分析的特征提取 | 第20页 |
| 2.2.2 基于马尔科夫随机场的特征提取 | 第20-21页 |
| 2.2.3 基于灰度共生矩阵的特征提取 | 第21-22页 |
| 2.2.4 完全的局部二值模式 | 第22-23页 |
| 2.2.5 Gabor滤波器组特征 | 第23-24页 |
| 2.2.6 基于统计的像素特征 | 第24页 |
| 2.3 回归模型 | 第24-26页 |
| 2.3.1 Logistic回归 | 第24-25页 |
| 2.3.2 随机森林回归 | 第25-26页 |
| 2.3.3 高斯过程回归 | 第26页 |
| 2.4 回归模型实验 | 第26-28页 |
| 2.4.1 实验环境 | 第27页 |
| 2.4.2 不同回归模型的实验对比 | 第27-28页 |
| 2.4.3 实验结果分析 | 第28页 |
| 2.5 人群等级密度分类 | 第28-32页 |
| 2.5.1 支持向量机 | 第29-30页 |
| 2.5.2 人工神经网络 | 第30-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第三章 基于支持向量机的模糊小波神经网络的人群密度估计 | 第33-39页 |
| 3.1 人群密度特征提取 | 第33-34页 |
| 3.1.1 动态特征——扩散速率 | 第33页 |
| 3.1.2 改进的顺序前进法 | 第33-34页 |
| 3.2 基于支持向量机的模糊小波神经网络的人群密度估计 | 第34-35页 |
| 3.3 仿真实验及结果 | 第35-37页 |
| 3.3.1 实验数据处理 | 第35-36页 |
| 3.3.2 实验结果 | 第36-37页 |
| 3.4 本章小结 | 第37-39页 |
| 第四章 基于改进的神经网络的人群密度估计 | 第39-47页 |
| 4.1 离散小波变换 | 第39页 |
| 4.2 基本卷积神经网络模型 | 第39-40页 |
| 4.3 改进的神经网络 | 第40-42页 |
| 4.3.1 改进的多层神经网络 | 第40-41页 |
| 4.3.2 改进的卷积神经网络 | 第41-42页 |
| 4.4 仿真实验及结果 | 第42-46页 |
| 4.4.1 实验准备 | 第42-44页 |
| 4.4.2 实验结果 | 第44-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第五章 基于并行卷积神经网络的人群密度估计方法 | 第47-53页 |
| 5.1 并行卷积神经网络模型 | 第47-48页 |
| 5.2 基于并行卷积神经网络的人群密度估计 | 第48-51页 |
| 5.3 仿真实验及结果 | 第51-52页 |
| 5.3.1 参数设置 | 第51页 |
| 5.3.2 实验结果 | 第51-52页 |
| 5.4 本章小结 | 第52-53页 |
| 第六章 总结与展望 | 第53-55页 |
| 6.1 本文研究工作总结 | 第53-54页 |
| 6.2 下一步的研究与展望 | 第54-55页 |
| 参考文献 | 第55-62页 |
| 攻读硕士期间取得的成果 | 第62-63页 |
| 致谢 | 第63-64页 |
| 个人简况及联系方式 | 第64-65页 |