基于灰度共生矩阵的人群密度估计算法研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-8页 |
| 1 绪论 | 第8-14页 |
| ·课题研究背景和意义 | 第8-10页 |
| ·人群密度监控的提出 | 第8-9页 |
| ·人群密度监控的意义 | 第9-10页 |
| ·人群密度监控技术 | 第10-12页 |
| ·人群密度监控的现状及问题 | 第10页 |
| ·人群密度监控技术分类 | 第10-12页 |
| ·智能人群监控系统的工作原理 | 第12页 |
| ·本文的内容安排 | 第12-14页 |
| 2 人群前景图像的获取 | 第14-23页 |
| ·人群密度估计算法实现 | 第14-15页 |
| ·人群图像预处理 | 第15-18页 |
| ·图像采集 | 第15页 |
| ·图像灰度化 | 第15-17页 |
| ·图像噪声的消除 | 第17-18页 |
| ·常见的前景提取方法 | 第18-19页 |
| ·自适应背景生成 | 第19-22页 |
| ·视频帧差法的理论基础 | 第19-20页 |
| ·视频帧差法的实验结果 | 第20-22页 |
| ·本章小结 | 第22-23页 |
| 3 灰度共生矩阵的人群特征提取 | 第23-37页 |
| ·纹理定义及分析方法 | 第23-25页 |
| ·纹理的定义 | 第23-24页 |
| ·纹理分析方法 | 第24-25页 |
| ·灰度共生矩阵的基本理论 | 第25-29页 |
| ·灰度共生矩阵的定义 | 第25-28页 |
| ·灰度共生矩阵的特征提取 | 第28-29页 |
| ·灰度共生矩阵构造参数的选取 | 第29-35页 |
| ·灰度共生矩阵方向的选取 | 第30-31页 |
| ·灰度共生矩阵距离的选取 | 第31-33页 |
| ·灰度级的选取 | 第33-35页 |
| ·不同密度图片对特征值的影响 | 第35-36页 |
| ·本章小结 | 第36-37页 |
| 4 支持向量机分类器 | 第37-49页 |
| ·支持向量机基本概念 | 第37-40页 |
| ·支持向量机的基本思想 | 第40-43页 |
| ·最优分类面 | 第40-42页 |
| ·广义的最优分类面 | 第42-43页 |
| ·核函数 | 第43-46页 |
| ·核函数基本理论 | 第43-44页 |
| ·核函数参数的选取 | 第44-46页 |
| ·多类分类问题 | 第46-48页 |
| ·本章小结 | 第48-49页 |
| 5 实验结果及分析 | 第49-53页 |
| ·实验环境 | 第49页 |
| ·实验图像库说明 | 第49-51页 |
| ·人群密度实验结果及分析 | 第51-52页 |
| ·本章小结 | 第52-53页 |
| 6 总结与展望 | 第53-55页 |
| ·总结 | 第53页 |
| ·展望 | 第53-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-58页 |
