| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状及发展趋势 | 第12-15页 |
| 1.3 当前存在的问题 | 第15-16页 |
| 1.4 本文研究的主要内容 | 第16-17页 |
| 第2章 基于头肩模型的深度学习检测算法 | 第17-34页 |
| 2.1 深度学习 | 第17-22页 |
| 2.1.1 深度学习概述 | 第17-18页 |
| 2.1.2 深度卷积神经网络 | 第18-20页 |
| 2.1.3 ZF网络模型 | 第20-22页 |
| 2.2 FasterR-CNN头肩检测 | 第22-29页 |
| 2.2.1 选取头肩作为检测体征 | 第23页 |
| 2.2.2 RPN生成候选框 | 第23-26页 |
| 2.2.3 FastR-CNN检测目标 | 第26-28页 |
| 2.2.4 RPN与FastR-CNN实现特征共享 | 第28-29页 |
| 2.3 改进网络改善头肩检测性能 | 第29-32页 |
| 2.3.1 Anchor比例均衡化 | 第29页 |
| 2.3.2 全局上下文信息 | 第29-30页 |
| 2.3.3 困难样本在线挖掘 | 第30-32页 |
| 2.4 本章小结 | 第32-34页 |
| 第3章 头肩检测与头肩跟踪融合的人数统计方法 | 第34-43页 |
| 3.1 人数统计方案 | 第34-35页 |
| 3.2 场景适应的头肩跟踪算法 | 第35-38页 |
| 3.2.1 核相关滤波跟踪算法 | 第35-37页 |
| 3.2.2 尺度自适应的核相关滤波跟踪算法 | 第37-38页 |
| 3.3 融合头肩检测与头肩跟踪的匈牙利匹配算法 | 第38-40页 |
| 3.3.1 最大交并比匹配检测与跟踪 | 第39页 |
| 3.3.2 匈牙利算法融合头肩检测与头肩跟踪 | 第39-40页 |
| 3.4 融合结果分析与行人统计 | 第40-41页 |
| 3.5 动态跳帧检测实现算法实时性 | 第41-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第4章 算法测试与实验分析 | 第43-53页 |
| 4.1 深度学习框架Caffe | 第43-44页 |
| 4.2 实验数据准备与处理 | 第44-45页 |
| 4.3 头肩检测算法实验 | 第45-48页 |
| 4.3.1 系统的环境 | 第45页 |
| 4.3.2 性能评定指标 | 第45-46页 |
| 4.3.3 参数选定与模型训练 | 第46-47页 |
| 4.3.4 实验结果与分析 | 第47-48页 |
| 4.4 人数统计算法实验 | 第48-51页 |
| 4.4.1 系统的环境 | 第48页 |
| 4.4.2 性能评定指标 | 第48-49页 |
| 4.4.3 参数选定与算法实现 | 第49页 |
| 4.4.4 实验结果与分析 | 第49-51页 |
| 4.5 本章小结 | 第51-53页 |
| 第5章 总结与展望 | 第53-55页 |
| 5.1 全文工作总结 | 第53-54页 |
| 5.2 下一步工作展望 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-59页 |
| 攻读硕士学位期间的研究成果 | 第59-60页 |
| 附录 A | 第60-64页 |