基于深度学习的复杂场景行人计数方法的研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 论文的研究背景和意义 | 第9-10页 |
| 1.2 难点和国内外研究现状 | 第10-14页 |
| 1.2.1 困难和挑战 | 第10-11页 |
| 1.2.2 国内外研究现状 | 第11-14页 |
| 1.3 论文的主要研究内容 | 第14-15页 |
| 1.4 论文的组织结构 | 第15-17页 |
| 第二章 基于视频的行人检测与跟踪 | 第17-33页 |
| 2.1 基于视频图像序列的行人检测方法 | 第17-24页 |
| 2.1.1 基于前景的运动行人检测 | 第17-20页 |
| 2.1.2 基于分类的行人检测算法 | 第20-24页 |
| 2.2 基于深度学习的目标检测 | 第24-28页 |
| 2.2.1 卷积神经网络CNN | 第25-26页 |
| 2.2.2 基于卷积神经网络的目标检测 | 第26-28页 |
| 2.3 基于视频图像序列的运动目标跟踪 | 第28-32页 |
| 2.3.1 特征点匹配 | 第28-29页 |
| 2.3.2 轮廓信息匹配 | 第29页 |
| 2.3.3 核滤波跟踪 | 第29-31页 |
| 2.3.4 实验对比分析 | 第31-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第三章 复杂监控视频下的行人计数 | 第33-44页 |
| 3.1 方法概述 | 第33页 |
| 3.2 基于深度神经网络的头肩检测 | 第33-37页 |
| 3.2.1 caffe介绍 | 第34页 |
| 3.2.2 网络结构及模型训练 | 第34-37页 |
| 3.3 联合深度神经网络与时空关系的行人跟踪 | 第37-40页 |
| 3.3.1 深度神经网络信息反馈与目标关联 | 第37-39页 |
| 3.3.2 相似性度量的跟踪目标筛选 | 第39-40页 |
| 3.4 多方向的行人计数 | 第40-43页 |
| 3.4.1 计数区域 | 第41-42页 |
| 3.4.2 计数方法 | 第42-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 实验结果与分析 | 第44-54页 |
| 4.1 系统总体概述 | 第44-45页 |
| 4.2 实验准备 | 第45-46页 |
| 4.2.1 运行环境 | 第45页 |
| 4.2.2 测试集 | 第45-46页 |
| 4.3 主要模块测试及实验结果 | 第46-53页 |
| 4.3.1 行人头肩检测模块 | 第46-48页 |
| 4.3.2 行人头肩跟踪模块 | 第48-52页 |
| 4.3.3 实验结果 | 第52-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 总结与展望 | 第54-56页 |
| 5.1 论文工作总结 | 第54-55页 |
| 5.2 未来展望 | 第55-56页 |
| 参考文献 | 第56-60页 |
| 致谢 | 第60页 |
