| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 1 引言 | 第12-19页 |
| 1.1 课题研究背景和意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 研究目标与内容 | 第15-17页 |
| 1.4 论文结构安排 | 第17-19页 |
| 2 行人检测与跟踪相关知识 | 第19-27页 |
| 2.1 运动前景检测方法 | 第19-23页 |
| 2.1.1 帧间差分法 | 第19-20页 |
| 2.1.2 背景建模方法 | 第20-23页 |
| 2.2 人体识别 | 第23-26页 |
| 2.2.1 个体特征 | 第23页 |
| 2.2.2 常用人体特征提取方法 | 第23-26页 |
| 2.3 本章小结 | 第26-27页 |
| 3 改进GHT+KSP视频人数统计方法 | 第27-43页 |
| 3.1 改进GHT头部轮廓提取算法 | 第27-34页 |
| 3.1.1 Hough变换(HT)原理 | 第28-29页 |
| 3.1.2 基于灰度判断的GHT提取方法 | 第29-32页 |
| 3.1.3 头部轮廓聚合优化 | 第32-34页 |
| 3.2 位置置信图(POM) | 第34-35页 |
| 3.2.1 行人位置投影 | 第34-35页 |
| 3.2.2 行人位置置信度 | 第35页 |
| 3.3 K-最短路径跟踪(KSP) | 第35-40页 |
| 3.3.1 跟踪模型 | 第36-39页 |
| 3.3.2 KSP算法求解 | 第39-40页 |
| 3.4 实验过程与结果分析 | 第40-41页 |
| 3.4.1 实验流程 | 第40-41页 |
| 3.4.2 实验结果对比分析 | 第41页 |
| 3.5 本章小结 | 第41-43页 |
| 4 融合神经网络静态信息和运动信息的视频行人计数方法 | 第43-64页 |
| 4.1 卷积神经网络基本概念 | 第44-45页 |
| 4.2 FASTER R-CNN卷积神经网络目标分类检测算法 | 第45-50页 |
| 4.2.1 候选区域(Region Proposal) | 第46页 |
| 4.2.2 区域建议网络(Region Proposal Network) | 第46-47页 |
| 4.2.3 Faster R-CNN卷积流程 | 第47-48页 |
| 4.2.4 窗口分类和位置精修 | 第48页 |
| 4.2.5 多任务损失 | 第48-50页 |
| 4.3 融合运动信息的神经网络静态检测算法 | 第50-53页 |
| 4.3.1 算法的基本思路 | 第51-52页 |
| 4.3.2 标定框计数优化 | 第52页 |
| 4.3.3 计数评估优化算法 | 第52-53页 |
| 4.4 实验过程 | 第53-62页 |
| 4.4.1 实验环境与数据集 | 第53页 |
| 4.4.2 神经网络模型训练与微调 | 第53-55页 |
| 4.4.3 均值滤波图像预处理 | 第55页 |
| 4.4.4 混合高斯背景建模 | 第55-56页 |
| 4.4.5 形态学处理 | 第56-58页 |
| 4.4.6 基于混合高斯前景提取的目标标定 | 第58-59页 |
| 4.4.7 融合方法检测标定结果 | 第59-62页 |
| 4.5 实验结果分析 | 第62-63页 |
| 4.6 本章小结 | 第63-64页 |
| 5 总结和展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第69-71页 |
| 学位论文数据集 | 第71页 |
