基于人群密度估计的视频监控技术
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 1 绪论 | 第10-15页 |
| 1.1 课题研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 本文研究内容 | 第13-14页 |
| 1.4 本文结构与章节安排 | 第14-15页 |
| 2 视频监控技术 | 第15-21页 |
| 2.1 机器视觉理论 | 第15-17页 |
| 2.1.1 机器视觉和人类视觉的差异 | 第15-16页 |
| 2.1.2 机器视觉模型 | 第16-17页 |
| 2.2 视频监控技术发展概况 | 第17-19页 |
| 2.2.1 模拟视频监控系统 | 第18页 |
| 2.2.2 数字视频监控系统 | 第18页 |
| 2.2.3 分布式视频监控系统 | 第18页 |
| 2.2.4 智能视频监控系统 | 第18-19页 |
| 2.3 视频监控技术发展趋势 | 第19-20页 |
| 2.4 本章小结 | 第20-21页 |
| 3 人群密度估计的基本方法 | 第21-25页 |
| 3.1 人群密度估计算法概述 | 第21-23页 |
| 3.1.1 基于像素统计的人群密度估计方法 | 第21-23页 |
| 3.1.2 基于纹理分析的人群密度估计方法 | 第23页 |
| 3.2 两类算法比较 | 第23-24页 |
| 3.3 人群密度分级 | 第24页 |
| 3.4 本章小结 | 第24-25页 |
| 4 图像预处理 | 第25-37页 |
| 4.1 图像预处理相关技术 | 第25-28页 |
| 4.1.1 像素亮度变换 | 第25-26页 |
| 4.1.2 几何变换 | 第26-28页 |
| 4.2 局部预处理 | 第28-30页 |
| 4.2.1 图像平滑 | 第28-29页 |
| 4.2.2 边缘检测 | 第29-30页 |
| 4.3 透视畸变 | 第30-32页 |
| 4.3.1 参数校正法 | 第30页 |
| 4.3.2 线性内插法 | 第30-31页 |
| 4.3.3 网格法 | 第31-32页 |
| 4.4 前景提取 | 第32-37页 |
| 4.4.1 前景分割 | 第32页 |
| 4.4.2 前景抠图 | 第32-33页 |
| 4.4.3 前景提取的主要方法 | 第33-37页 |
| 5 基于像素统计的人群密度估计 | 第37-52页 |
| 5.1 基本原理 | 第37-43页 |
| 5.1.1 前景提取 | 第38-39页 |
| 5.1.2 形态学处理 | 第39-41页 |
| 5.1.3 Canny边缘检测 | 第41-43页 |
| 5.2 像素特征统计 | 第43-44页 |
| 5.3 多元线性回归 | 第44-49页 |
| 5.3.1 回归模型 | 第44-45页 |
| 5.3.2 实验分析 | 第45-49页 |
| 5.4 基于BP神经网络的非线性拟合 | 第49-51页 |
| 5.4.1 BP神经网络简介 | 第49-50页 |
| 5.4.2 实验分析 | 第50-51页 |
| 5.5 本章小结 | 第51-52页 |
| 6 基于像素统计的人群密度估计 | 第52-63页 |
| 6.1 纹理特征 | 第52-60页 |
| 6.1.1 纹理特征选择 | 第52-54页 |
| 6.1.2 灰度共生矩阵 | 第54-56页 |
| 6.1.3 纹理特征提取与分类 | 第56-60页 |
| 6.2 实验结果分析 | 第60-62页 |
| 6.3 本章小结 | 第62-63页 |
| 7 总结与展望 | 第63-64页 |
| 7.1 总结 | 第63页 |
| 7.2 下一步的工作 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 作者在攻读硕士学位期间发表的学术论文 | 第68-69页 |
| 致谢 | 第69页 |
