| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 课题研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 智能视频监控技术 | 第9-10页 |
| 1.2.2 公交客流统计主要方法 | 第10-11页 |
| 1.2.3 运动目标检测和跟踪算法 | 第11-13页 |
| 1.3 本文结构安排 | 第13-14页 |
| 第二章 客流量统计前的图像预处理 | 第14-18页 |
| 2.1 视频图像灰度化 | 第14-15页 |
| 2.2 图像滤波 | 第15-16页 |
| 2.3 直方图均衡化 | 第16-17页 |
| 2.4 本章小结 | 第17-18页 |
| 第三章 乘客头部检测识别 | 第18-33页 |
| 3.1 基于机器学习的乘客头部目标检测识别 | 第18-19页 |
| 3.2 采集样本 | 第19-21页 |
| 3.3 提取样本特征 | 第21-26页 |
| 3.3.1 HOG特征描述子的基本原理 | 第22-24页 |
| 3.3.2 HOG特征描述子相关参数 | 第24-25页 |
| 3.3.3 关于HOG特征的多尺度问题 | 第25-26页 |
| 3.4 支持向量机的机器训练样本方法 | 第26-31页 |
| 3.4.1 SVM基本原理 | 第26-27页 |
| 3.4.2 线性可分情况 | 第27-29页 |
| 3.4.3 线性不可分的情况 | 第29-31页 |
| 3.4.4 SVM参数设定 | 第31页 |
| 3.5 头部检测识别结果及分析 | 第31-32页 |
| 3.6 本章小结 | 第32-33页 |
| 第四章 行人跟踪技术 | 第33-43页 |
| 4.1 MeanShift算法 | 第33-36页 |
| 4.2 基于CamShift的目标跟踪算法 | 第36-40页 |
| 4.2.1 Camshift中的颜色特征 | 第36-38页 |
| 4.2.2 Camshift算法的搜索过程 | 第38-39页 |
| 4.2.3 Camshift算法流程 | 第39-40页 |
| 4.3 Camshift目标跟踪算法实验结果和分析 | 第40-42页 |
| 4.4 本章小结 | 第42-43页 |
| 第五章 目标检测与目标跟踪的结合 | 第43-50页 |
| 5.1 数据关联技术 | 第43-45页 |
| 5.2 时间约束条件去除伪目标 | 第45-46页 |
| 5.3 目标检测和跟踪之间融合的实验结果和分析 | 第46-49页 |
| 5.4 本章小结 | 第49-50页 |
| 第六章 乘客行为轨迹分析及流量统计 | 第50-54页 |
| 6.1 乘客行为分析 | 第50-51页 |
| 6.2 乘客人数统计结果及分析 | 第51-54页 |
| 第七章 总结和展望 | 第54-56页 |
| 7.1 总结 | 第54-55页 |
| 7.2 研究展望 | 第55-56页 |
| 参考文献 | 第56-61页 |
| 致谢 | 第61-62页 |
| 攻读硕士学位期间发表的论文 | 第62页 |