| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 国内外智能视频监控系统的研究现状 | 第11-12页 |
| 1.2.2 国内外视频监控人数统计技术的研究现状 | 第12-13页 |
| 1.3 论文主要工作和结构安排 | 第13-15页 |
| 2 人数统计相关方法和理论基础 | 第15-29页 |
| 2.1 引言 | 第15页 |
| 2.2 图像预处理理论 | 第15-20页 |
| 2.2.1 图像灰度化 | 第15-16页 |
| 2.2.2 图像二值化 | 第16-18页 |
| 2.2.3 图像去噪 | 第18-20页 |
| 2.3 基于运动目标检测的人数统计方法 | 第20-23页 |
| 2.3.1 帧差法 | 第20-21页 |
| 2.3.2 光流法 | 第21-22页 |
| 2.3.3 背景减除法 | 第22-23页 |
| 2.4 基于颜色特征的人数统计方法 | 第23-24页 |
| 2.5 基于形状特征的人数统计方法 | 第24-27页 |
| 2.6 基于统计学习的人数统计方法 | 第27-28页 |
| 2.7 本章小结 | 第28-29页 |
| 3 教室人数统计系统的研究与设计 | 第29-43页 |
| 3.1 引言 | 第29页 |
| 3.2 教室人数统计系统框架 | 第29-31页 |
| 3.3 样本数据集的采集和预处理 | 第31-32页 |
| 3.4 基于Adaboost算法的人头候选区域检测 | 第32-38页 |
| 3.4.1 特征值提取 | 第32-35页 |
| 3.4.2 Adaboost算法简介 | 第35-36页 |
| 3.4.3 改进的Adaboost算法训练haar检测器 | 第36-37页 |
| 3.4.4 强分类器的级联 | 第37-38页 |
| 3.4.5 人头候选区域检测 | 第38页 |
| 3.5 基于SVM算法的人头识别确认 | 第38-42页 |
| 3.5.1 支持向量基SVM基本概念 | 第38-40页 |
| 3.5.2 HOG特征人头分类器的训练 | 第40-41页 |
| 3.5.3 人头识别确认 | 第41-42页 |
| 3.6 本章小结 | 第42-43页 |
| 4 后期校验与系统测试 | 第43-49页 |
| 4.1 根据人头大小来校验人数检测结果 | 第43页 |
| 4.2 根据座位来校验人数检测结果 | 第43-45页 |
| 4.2.1 半自动座位标定 | 第44页 |
| 4.2.2 座位校验试验结果与分析 | 第44-45页 |
| 4.3 系统测试结果与分析 | 第45-48页 |
| 4.3.1 系统性能评价标准 | 第45页 |
| 4.3.2 实验结果 | 第45-48页 |
| 4.4 本章小结 | 第48-49页 |
| 5 总结与展望 | 第49-51页 |
| 5.1 总结 | 第49页 |
| 5.2 展望 | 第49-51页 |
| 致谢 | 第51-53页 |
| 参考文献 | 第53-57页 |
| 个人简历、在校期间发布的学术论文及取得的研究成果 | 第57页 |