面向视频监控的自动人数统计研究
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题研究背景及意义 | 第11页 |
| 1.2 国内外研究现状和进展 | 第11-16页 |
| 1.2.1 基于纹理特征的人数统计 | 第13-14页 |
| 1.2.2 基于图像底层特征的人数统计 | 第14-15页 |
| 1.2.3 其他研究方法 | 第15-16页 |
| 1.3 本文结构及主要内容 | 第16-17页 |
| 第2章 面向人体检测的图像特征提取 | 第17-27页 |
| 2.1 引言 | 第17-18页 |
| 2.2 LGP特征 | 第18-21页 |
| 2.2.1 LBP特征 | 第18-20页 |
| 2.2.2 LGP特征 | 第20-21页 |
| 2.3 HOG特征 | 第21-24页 |
| 2.4 BHOG特征 | 第24页 |
| 2.5 颜色特征 | 第24-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第3章 基于多决策的行人检测 | 第27-42页 |
| 3.1 支持向量机 | 第27-31页 |
| 3.2 C~4快速检测 | 第31-33页 |
| 3.3 基于多决策的行人检测 | 第33-41页 |
| 3.3.1 基本思路 | 第33-34页 |
| 3.3.2 基于多决策的行人检测算法 | 第34-35页 |
| 3.3.3 实验场景以及实验数据 | 第35-38页 |
| 3.3.4 实验结果及分析 | 第38-41页 |
| 3.4 本章小结 | 第41-42页 |
| 第4章 基于轮廓点特征的行人检测 | 第42-52页 |
| 4.1 AdaBoost分类器 | 第42-43页 |
| 4.2 基于轮廓点标定的行人检测 | 第43-51页 |
| 4.2.1 手动标定特征点 | 第44-47页 |
| 4.2.2 随机标定特征点 | 第47页 |
| 4.2.3 平均标定特征点 | 第47-50页 |
| 4.2.4 实验结果与分析 | 第50-51页 |
| 4.3 本章小结 | 第51-52页 |
| 第5章 基于动态视频的行人检测 | 第52-67页 |
| 5.1 引言 | 第52页 |
| 5.2 基于高斯混合模型的视频行人检测 | 第52-56页 |
| 5.2.1 视频图像的预处理 | 第52页 |
| 5.2.2 高斯混合模型 | 第52-54页 |
| 5.2.3 提取感兴趣区域 | 第54-56页 |
| 5.2.4 行人检测 | 第56页 |
| 5.3 基于跟踪的视频人数统计 | 第56-62页 |
| 5.3.1 重要性采样 | 第58-59页 |
| 5.3.2 序列重要性采样 | 第59-60页 |
| 5.3.3 重采样 | 第60-61页 |
| 5.3.4 粒子滤波算法 | 第61-62页 |
| 5.4 行人检测系统设计与开发 | 第62-66页 |
| 5.4.1 系统流程 | 第62页 |
| 5.4.2 开发环境介绍 | 第62-64页 |
| 5.4.3 特征提取模块 | 第64页 |
| 5.4.4 训练模块 | 第64-65页 |
| 5.4.5 行人检测模块 | 第65-66页 |
| 5.4.6 GMM模块 | 第66页 |
| 5.5 本章小结 | 第66-67页 |
| 第6章 总结与展望 | 第67-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-74页 |
| 攻读硕士学位期间发表的论文及科研成果 | 第74页 |
