基于纹理分析的城市轨道交通人群密度估计算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-13页 |
| 1.1 课题研究背景和意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 本论文主要工作 | 第11-13页 |
| 1.3.1 本文主要工作 | 第11页 |
| 1.3.2 本文章节安排 | 第11-13页 |
| 2 城市轨道交通中人群图像前景的提取 | 第13-23页 |
| 2.1 图像采集 | 第13页 |
| 2.2 人群目标前景提取方法 | 第13-14页 |
| 2.3 基于改进混合高斯背景模型 | 第14-18页 |
| 2.3.1 混合高斯背景建模 | 第14-15页 |
| 2.3.2 参数更新 | 第15页 |
| 2.3.3 算法改进与实验分析 | 第15-18页 |
| 2.4 图像去噪 | 第18-20页 |
| 2.5 透视效应矫正 | 第20-21页 |
| 2.6 本章小结 | 第21-23页 |
| 3 基于纹理分析的人群体征提取 | 第23-38页 |
| 3.1 纹理分析 | 第23-25页 |
| 3.1.1 概述 | 第23页 |
| 3.1.2 纹理描述和度量方法 | 第23-25页 |
| 3.2 灰度共生矩阵基本理论 | 第25-28页 |
| 3.2.1 灰度共生矩阵的计算方法 | 第25-26页 |
| 3.2.2 灰度共生矩阵的特征提取 | 第26-28页 |
| 3.3 灰度共生矩阵构造参数的选取 | 第28-34页 |
| 3.3.1 灰度级选取 | 第29-31页 |
| 3.3.2 灰度共生矩阵间隔的选取 | 第31-33页 |
| 3.3.3 灰度共生矩阵方向的选取 | 第33-34页 |
| 3.4 灰度-梯度共生矩阵特征提取 | 第34-37页 |
| 3.5 本章小结 | 第37-38页 |
| 4 支持向量机分类器 | 第38-48页 |
| 4.1 支持向量机基本概念 | 第38-39页 |
| 4.2 支持向量机理论分析 | 第39-43页 |
| 4.3 多类分类问题 | 第43-46页 |
| 4.4 时间序列修正 | 第46-47页 |
| 4.5 本章小结 | 第47-48页 |
| 5 实验结果与分析 | 第48-53页 |
| 5.1 概述 | 第48页 |
| 5.2 城市轨道交通中人群密度监控系统的实现 | 第48-49页 |
| 5.3 实验分析 | 第49-52页 |
| 5.3.1 人群密度分类结果对比 | 第49-51页 |
| 5.3.2 透视效应矫正实验对比 | 第51-52页 |
| 5.4 时间序列修正实验 | 第52页 |
| 5.5 本章小结 | 第52-53页 |
| 6 总结与展望 | 第53-55页 |
| 6.1 总结 | 第53页 |
| 6.2 展望 | 第53-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 攻读学位期间的研究成果 | 第59页 |
