基于HOG的电梯乘客人脸检测方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 本文研究的目的及意义 | 第11-12页 |
| 1.1.1 本文研究的目的 | 第11页 |
| 1.1.2 课题研究的意义 | 第11-12页 |
| 1.2 电梯乘客统计 | 第12-17页 |
| 1.2.1 电梯乘客统计的发展趋势 | 第12-13页 |
| 1.2.2 人脸检测技术的国外研究现状 | 第13-16页 |
| 1.2.3 人脸检测技术的国内研究现状 | 第16-17页 |
| 1.3 论文研究的主要内容及结构安排 | 第17-18页 |
| 1.3.1 论文研究的主要内容 | 第17页 |
| 1.3.2 论文的结构安排 | 第17-18页 |
| 1.4 本章小结 | 第18-19页 |
| 第二章 电梯交通流 | 第19-27页 |
| 2.1 电梯交通流描述 | 第19-21页 |
| 2.1.1 电梯交通流的特点 | 第19-20页 |
| 2.1.2 时间序列与电梯交通流 | 第20-21页 |
| 2.2 电梯交通流模式 | 第21-22页 |
| 2.3 电梯交通流数据组成 | 第22-23页 |
| 2.4 电梯交通流数据采集 | 第23-24页 |
| 2.5 电梯交通流数据处理 | 第24-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第三章 基于HOG和高斯过程的人脸检测 | 第27-41页 |
| 3.1 基于HOG的人脸检测算法 | 第27-30页 |
| 3.1.1 HOG原理 | 第27页 |
| 3.1.2 HOG的特征计算 | 第27-29页 |
| 3.1.3 基于HOG的人脸检测 | 第29页 |
| 3.1.4 仿真实验与分析 | 第29-30页 |
| 3.2 基于高斯过程隐变量模型的人脸识别算法 | 第30-39页 |
| 3.2.1 高斯过程 | 第30-31页 |
| 3.2.2 隐变量模型 | 第31页 |
| 3.2.3 改进高斯LLE算法 | 第31-34页 |
| 3.2.4 仿真实验与分析 | 第34-39页 |
| 3.3 本章小结 | 第39-41页 |
| 第四章 基于深度HOG的电梯乘客人脸检测及应用 | 第41-59页 |
| 4.1 基于深度HOG和LLE的人脸检测方法研究 | 第41-45页 |
| 4.1.1 算法描述 | 第41-42页 |
| 4.1.2 局部线性嵌入算法 | 第42-43页 |
| 4.1.3 算法的实现 | 第43-45页 |
| 4.2 基于Kinect的深度HOG乘客检测方法 | 第45-54页 |
| 4.2.1 Kinect环境 | 第45-46页 |
| 4.2.2 基于Kinect的深度HOG图像获取 | 第46-47页 |
| 4.2.3 深度信息滤波 | 第47-50页 |
| 4.2.4 基于深度信息检测 | 第50-51页 |
| 4.2.5 电梯乘客检测 | 第51-54页 |
| 4.3 电梯乘客人脸检测在交通模式识别中的应用 | 第54-57页 |
| 4.3.1 交通流训练数据的采集 | 第54-55页 |
| 4.3.2 交通模式识别 | 第55-57页 |
| 4.4 本章小结 | 第57-59页 |
| 第五章 结论 | 第59-63页 |
| 5.1 本文主要结论 | 第59-60页 |
| 5.2 工作研究展望 | 第60页 |
| 5.3 本章小结 | 第60-63页 |
| 参考文献 | 第63-67页 |
| 作者简介 | 第67页 |
| 作者在攻读硕士学位期间发表的学术论文 | 第67-69页 |
| 致谢 | 第69-70页 |
