基于深度学习的大规模行人统计方法研究
| 摘要 | 第8-9页 |
| Abstract | 第9页 |
| 第1章 绪论 | 第13-20页 |
| 1.1 选题背景及意义 | 第13-14页 |
| 1.2 国内外研究现状及难点 | 第14-18页 |
| 1.2.1 基于目标检测的行人统计 | 第14-16页 |
| 1.2.2 基于特征映射的行人统计 | 第16-17页 |
| 1.2.3 基于轨迹聚合的行人统计 | 第17页 |
| 1.2.4 现阶段研究难点 | 第17-18页 |
| 1.3 论文主要内容及结构 | 第18-19页 |
| 1.3.1 论文内容 | 第18页 |
| 1.3.2 论文结构 | 第18-19页 |
| 1.4 本章小结 | 第19-20页 |
| 第2章 深度学习与行人统计理论基础 | 第20-34页 |
| 2.1 神经网络 | 第20-24页 |
| 2.1.1 神经元 | 第20-21页 |
| 2.1.2 从感知器到多层神经网络 | 第21-22页 |
| 2.1.3 误差反向传播 | 第22-23页 |
| 2.1.4 最优参数 | 第23-24页 |
| 2.2 从神经网络到深度学习 | 第24-25页 |
| 2.3 卷积神经网络 | 第25-28页 |
| 2.3.1 CNN结构 | 第26-27页 |
| 2.3.2 CNN关键技术 | 第27-28页 |
| 2.4 基于深度学习的行人统计理论基础 | 第28-30页 |
| 2.5 本文方法流程简介 | 第30-31页 |
| 2.6 实验平台简介 | 第31-33页 |
| 2.6.1 Open CV | 第31页 |
| 2.6.2 Caffe | 第31-32页 |
| 2.6.3 Faster R-CNN | 第32页 |
| 2.6.4 实验硬件 | 第32页 |
| 2.6.5 GPU运算 | 第32-33页 |
| 2.7 本章小结 | 第33-34页 |
| 第3章 基于目标检测的大规模行人统计 | 第34-46页 |
| 3.1 目标检测方法 | 第34-39页 |
| 3.1.1 生成特定特征图 | 第35-36页 |
| 3.1.2 区域建议网络 | 第36-37页 |
| 3.1.3 多锚点 | 第37-38页 |
| 3.1.4 网络损失函数 | 第38-39页 |
| 3.2 训练数据准备 | 第39-40页 |
| 3.3 优化训练方法 | 第40-43页 |
| 3.3.1 图像分块 | 第40-41页 |
| 3.3.2 多轮训练 | 第41-43页 |
| 3.4 结果与分析 | 第43-45页 |
| 3.5 本章小结 | 第45-46页 |
| 第4章 复杂场景下基于CNN的行人统计 | 第46-61页 |
| 4.1 基于CNN的行人统计模型 | 第46-51页 |
| 4.1.1 图像的运动信息 | 第46-48页 |
| 4.1.2 模型结构 | 第48页 |
| 4.1.3 人数统计原理 | 第48-50页 |
| 4.1.4 模型合并 | 第50-51页 |
| 4.1.5 模型训练 | 第51页 |
| 4.2 实验与分析 | 第51-54页 |
| 4.2.1 数据集 | 第52-53页 |
| 4.2.2 结果评估标准 | 第53页 |
| 4.2.3 参数调整 | 第53-54页 |
| 4.2.4 实验平台 | 第54页 |
| 4.3 结果分析 | 第54-56页 |
| 4.3.1 运动信息有效性验证 | 第54页 |
| 4.3.2 模型精度对比 | 第54-56页 |
| 4.3.3 模型速度对比 | 第56页 |
| 4.4 模型可视化 | 第56-60页 |
| 4.4.1 可视化方法 | 第56-57页 |
| 4.4.2 可视化分析 | 第57-59页 |
| 4.4.3 结果可视化 | 第59-60页 |
| 4.5 本章小结 | 第60-61页 |
| 结论与展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-68页 |
| 附录 攻读学位期间所发表的学术论文 | 第68页 |
