基于3D轨迹模式分类技术的公交客流计数算法研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 国外研究现状 | 第10-11页 |
| 1.2.2 国内研究现状 | 第11-12页 |
| 1.3 研究难点 | 第12-13页 |
| 1.4 本文主要内容及工作安排 | 第13-17页 |
| 第二章 公交客流计数系统框架概述 | 第17-27页 |
| 2.1 Kinect的简介及深度数据获取 | 第17-23页 |
| 2.1.1 Kinect传感器硬件组成及原理 | 第17-19页 |
| 2.1.2 深度数据获取原理 | 第19-22页 |
| 2.1.3 利用深度数据构建三维信息 | 第22-23页 |
| 2.2 摄像机标定与三维轨迹获取 | 第23-25页 |
| 2.2.1 摄像机标定 | 第23-24页 |
| 2.2.2 三维轨迹的获取 | 第24-25页 |
| 2.3 3D轨迹模式分类 | 第25页 |
| 2.4 本章小结 | 第25-27页 |
| 第三章 公交乘客 3D轨迹获取 | 第27-47页 |
| 3.1 摄像机的标定 | 第27-32页 |
| 3.1.1 摄像机标定常用坐标系 | 第27页 |
| 3.1.2 摄像机成像模型 | 第27-31页 |
| 3.1.3 摄像机三维标定 | 第31-32页 |
| 3.2 三维轨迹获取 | 第32-40页 |
| 3.2.1 人头目标检测 | 第33-37页 |
| 3.2.2 人头目标跟踪 | 第37-39页 |
| 3.2.3 三维轨迹的生成 | 第39-40页 |
| 3.3 轨迹初步判定 | 第40-45页 |
| 3.3.1 乘客运动模式 | 第40-41页 |
| 3.3.2 基于检测线的轨迹分类 | 第41-45页 |
| 3.4 本章小结 | 第45-47页 |
| 第四章 基于Adaboost的 3D轨迹分类 | 第47-59页 |
| 4.1 Adaboost分类算法 | 第47-49页 |
| 4.1.1 Boosting的基本思想 | 第47-48页 |
| 4.1.2 Adaboost核心理论 | 第48页 |
| 4.1.3 Adaboost分类具体流程 | 第48-49页 |
| 4.2 Adaboost训练分类器 | 第49-56页 |
| 4.2.1 提取生成训练样本 | 第50页 |
| 4.2.2 样本的特征提取 | 第50-53页 |
| 4.2.3 样本特征筛选 | 第53-56页 |
| 4.3 实验结果与分析 | 第56-57页 |
| 4.4 本章小结 | 第57-59页 |
| 第五章 基于SVM的 3D轨迹分类 | 第59-67页 |
| 5.1 SVM分类 | 第59-62页 |
| 5.1.1 SVM的核心理论 | 第59-60页 |
| 5.1.2 SVM分类具体流程 | 第60-62页 |
| 5.2 SVM训练分类器 | 第62-63页 |
| 5.3 实验结果与分析 | 第63-65页 |
| 5.4 本章小结 | 第65-67页 |
| 总结与展望 | 第67-69页 |
| 参考文献 | 第69-72页 |
| 攻读学位期间取得的研究成果 | 第72-73页 |
| 致谢 | 第73页 |
