突发人群聚集事件智能视频监控
| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 第一章 引言 | 第10-14页 |
| ·研究背景 | 第10-11页 |
| ·国内外研究现状和发展态势 | 第11-12页 |
| ·论文主要研究内容 | 第12-14页 |
| 第二章 人群密度估计方法 | 第14-38页 |
| ·基于像素数统计的人群密度估计 | 第14-20页 |
| ·基于空域信息的方法 | 第14-18页 |
| ·基于时空域信息的方法 | 第18-20页 |
| ·基于纹理分析的人群密度估计 | 第20-23页 |
| ·纹理分析基本概念 | 第20-21页 |
| ·纹理分析方法 | 第21-23页 |
| ·基于个体特征的人群密度估计 | 第23-25页 |
| ·分类器 | 第25-37页 |
| ·分类器概述 | 第25-28页 |
| ·神经网络模型 | 第28-32页 |
| ·BP 神经网络模型 | 第32-37页 |
| ·BP 神经网络基本结构 | 第32-33页 |
| ·学习算法及规则 | 第33-35页 |
| ·改进的BP 网络学习算法 | 第35-37页 |
| ·小结 | 第37-38页 |
| 第三章 突发人群聚集事件检测算法 | 第38-53页 |
| ·算法框架 | 第38页 |
| ·基于灰度共生矩的人群密度估计研究 | 第38-42页 |
| ·灰度共生矩阵定义 | 第38-41页 |
| ·灰度共生矩阵的特征 | 第41-42页 |
| ·人群密度特征提取 | 第42-45页 |
| ·灰度级数的选取 | 第42-44页 |
| ·灰度共生矩阵方向的选取 | 第44页 |
| ·灰度共生矩阵距离的选取 | 第44-45页 |
| ·人群阻塞率的估计 | 第45-50页 |
| ·人群阻塞率概述 | 第45-46页 |
| ·模版屏蔽 | 第46页 |
| ·背景生成 | 第46-47页 |
| ·像素阻塞阈值的选取 | 第47-49页 |
| ·人群阻塞率的计算 | 第49-50页 |
| ·神经网络构建 | 第50-52页 |
| ·网络的选择 | 第50页 |
| ·输入层和输出层节点数目的确定 | 第50页 |
| ·隐含层节点数的确定 | 第50-51页 |
| ·学习速率的选择 | 第51-52页 |
| ·小结 | 第52-53页 |
| 第四章 监控系统的设计与实现 | 第53-71页 |
| ·系统结构 | 第53-54页 |
| ·系统硬件结构 | 第53-54页 |
| ·系统软件模块 | 第54页 |
| ·图像输入 | 第54-56页 |
| ·摄像头图像的捕捉 | 第54-55页 |
| ·图像文件读取 | 第55-56页 |
| ·预处理 | 第56-63页 |
| ·模版屏蔽 | 第56-60页 |
| ·背景生成 | 第60-62页 |
| ·背景去除 | 第62-63页 |
| ·人群密度特征提取 | 第63-66页 |
| ·生成16 级的灰度图 | 第63页 |
| ·灰度共生矩阵的计算 | 第63-65页 |
| ·熵、角二阶矩以及对比度的计算 | 第65-66页 |
| ·人群阻塞特征提取 | 第66-69页 |
| ·人群阻塞率的计算 | 第66-68页 |
| ·人群阻塞率的平滑 | 第68-69页 |
| ·神经网络的训练与使用 | 第69-70页 |
| ·神经网络的训练 | 第69页 |
| ·神经网络的使用 | 第69-70页 |
| ·实验结果 | 第70页 |
| ·小结 | 第70-71页 |
| 第五章 结论与展望 | 第71-73页 |
| ·结论 | 第71页 |
| ·展望 | 第71-73页 |
| 致谢 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 攻硕期间取得的研究成果 | 第78-79页 |
