| 摘要 | 第1-4页 |
| Abstract | 第4-9页 |
| 第1章 绪论 | 第9-15页 |
| ·课题背景及研究的目的和意义 | 第9-10页 |
| ·轨道交通客流检测的研究现状 | 第10-12页 |
| ·现有客流检测方法的不足 | 第10-11页 |
| ·基于计算机视觉的视频客流检测方法的优势 | 第11-12页 |
| ·轨道交通客流检测中需要解决的问题及难点 | 第12-13页 |
| ·论文的主要内容及结构安排 | 第13-15页 |
| 第2章 客流检测中的关键技术 | 第15-24页 |
| ·人物目标检测 | 第15-19页 |
| ·帧差法 | 第15-16页 |
| ·背景差分法 | 第16-17页 |
| ·光流法 | 第17-18页 |
| ·模板匹配 | 第18-19页 |
| ·行人目标的识别 | 第19-21页 |
| ·基于人体特征的识别 | 第19-20页 |
| ·基于运动特征的识别 | 第20-21页 |
| ·人物的跟踪 | 第21-23页 |
| ·卡尔曼滤波算法 | 第21-22页 |
| ·峰值跟踪算法 | 第22页 |
| ·形心跟踪算法 | 第22页 |
| ·边缘跟踪算法 | 第22页 |
| ·Mean Shift算法 | 第22-23页 |
| ·本章小结 | 第23-24页 |
| 第3章 基于haar特征与adaboost算法的人头检测 | 第24-46页 |
| ·Haar小波特征 | 第24-30页 |
| ·Haar特征 | 第24-27页 |
| ·积分图像 | 第27-28页 |
| ·Haar特征的快速计算 | 第28-30页 |
| ·Adaboost算法 | 第30-34页 |
| ·Boosting原理 | 第30-34页 |
| ·训练分类器 | 第34-40页 |
| ·计算机视觉类库Open CV | 第34-35页 |
| ·训练分类器 | 第35-40页 |
| ·人头检测和识别的处理 | 第40-45页 |
| ·人头的检测和识别 | 第41-42页 |
| ·改进的人头检测的后续处理算法 | 第42-45页 |
| ·本章小结 | 第45-46页 |
| 第4章 改进的人头识别以及跟踪计数算法 | 第46-74页 |
| ·图像的颜色模型以及常用的颜色特征提取方法 | 第46-52页 |
| ·图像的主要色彩空间模型 | 第46-49页 |
| ·颜色特征提取方法 | 第49-52页 |
| ·人物的识别匹配算法 | 第52-60页 |
| ·采用基于HSV的色彩模型 | 第52-54页 |
| ·采用色彩直方图进行人物匹配 | 第54-56页 |
| ·改进的加入特殊点像素值比较的色彩直方图匹配 | 第56页 |
| ·人物识别的实现 | 第56-60页 |
| ·人物跟踪的实现 | 第60-67页 |
| ·Camshift算法的思想 | 第60-64页 |
| ·具体的人头跟踪方案 | 第64-67页 |
| ·客流方向的检测 | 第67-73页 |
| ·建立人物目标信息跟踪链 | 第67-68页 |
| ·目标人物初始化和销毁过程的实现 | 第68-70页 |
| ·客流方向的检测 | 第70-73页 |
| ·本章小结 | 第73-74页 |
| 第5章 轨道交通客流检测系统的设计与测试分析 | 第74-85页 |
| ·VC6.0 下安装与配置Open CV1.0 | 第74-77页 |
| ·开发平台环境配置过程 | 第74-77页 |
| ·项目设置 | 第77页 |
| ·软硬件环境和设备 | 第77-78页 |
| ·软件环境 | 第77-78页 |
| ·硬件设备 | 第78页 |
| ·客流检测基本流程及实验过程 | 第78-83页 |
| ·系统流程图 | 第78-80页 |
| ·训练样本的制作及测试结果分析 | 第80-83页 |
| ·系统展现 | 第83-84页 |
| ·本章小结 | 第84-85页 |
| 总结 | 第85-86页 |
| 展望 | 第86-87页 |
| 参考文献 | 第87-92页 |
| 致谢 | 第92-94页 |
| 在读期间发表论文 | 第94页 |