拥挤场景下人数统计的关键技术研究
摘要 | 第5-6页 |
ABSTRACT | 第6页 |
第一章 绪论 | 第10-15页 |
1.1 课题背景及研究意义 | 第10-11页 |
1.2 国内外的研究现状 | 第11-13页 |
1.2.1 行人检测 | 第11-12页 |
1.2.2 行人跟踪 | 第12-13页 |
1.2.3 人群密度估计 | 第13页 |
1.3 本论文的结构安排 | 第13-15页 |
第二章 人数统计关键技术研究 | 第15-33页 |
2.1 行人目标提取 | 第15-18页 |
2.1.1 帧差法 | 第15-16页 |
2.1.2 背景减除法 | 第16页 |
2.1.3 光流法 | 第16-18页 |
2.2 经典行人特征 | 第18-26页 |
2.2.1 Haar-like特征 | 第18-19页 |
2.2.2 梯度直方图特征 | 第19-21页 |
2.2.3 SIFT特征 | 第21-24页 |
2.2.4 Edgelet特征 | 第24-25页 |
2.2.5 行人特征对比 | 第25-26页 |
2.3 行人目标决策 | 第26-31页 |
2.3.1 Adaboost算法 | 第26-27页 |
2.3.2 支持向量机算法 | 第27-30页 |
2.3.3 经典决策算法对比 | 第30-31页 |
2.4 人群密度估计 | 第31-32页 |
2.4.1 基于像素统计的人群密度估计 | 第31页 |
2.4.2 基于纹理分析的人群密度估计 | 第31-32页 |
2.5 本章小结 | 第32-33页 |
第三章 行人目标提取 | 第33-43页 |
3.1 引言 | 第33页 |
3.2 背景建模算法 | 第33-38页 |
3.2.1 平均背景建模 | 第33-34页 |
3.2.2 单高斯背景建模 | 第34-35页 |
3.2.3 混合高斯背景建模 | 第35-36页 |
3.2.4 CodeBook背景建模 | 第36-37页 |
3.2.5 背景建模算法对比 | 第37-38页 |
3.3 加权CODEBOOK的背景建模 | 第38-39页 |
3.3.1 加权CodeBook模型 | 第38页 |
3.3.2 更新淘汰策略 | 第38-39页 |
3.4 实验结果与分析 | 第39-42页 |
3.5 本章小结 | 第42-43页 |
第四章 基于融合特征的行人检测 | 第43-55页 |
4.1 引言 | 第43页 |
4.2 HOG特征提取 | 第43-47页 |
4.2.1 Gamma和颜色空间标准化处理 | 第44页 |
4.2.2 梯度算子 | 第44-46页 |
4.2.3 梯度直方图计算 | 第46-47页 |
4.2.4 Block梯度直方图向量归一化 | 第47页 |
4.3 LBP特征提取 | 第47-49页 |
4.3.1 LBP算子 | 第47-48页 |
4.3.2 LBP均匀模式 | 第48-49页 |
4.4 主成分分析降维 | 第49-51页 |
4.4.1 K-L变换 | 第49-50页 |
4.4.2 PCA步骤 | 第50-51页 |
4.4.3 特征值选取 | 第51页 |
4.5 基于融合特征行人检测流程 | 第51-52页 |
4.6 实验和结果分析 | 第52-54页 |
4.6.1 实验环境 | 第52页 |
4.6.2 实验数据 | 第52页 |
4.6.3 实验评价指标 | 第52-53页 |
4.6.4 实验分析 | 第53-54页 |
4.7 本章小结 | 第54-55页 |
第五章 基于多特征的行人跟踪 | 第55-65页 |
5.1 粒子滤波跟踪框架 | 第55-58页 |
5.2 基于颜色直方图和梯度直方图的行人跟踪 | 第58-61页 |
5.2.1 颜色直方图提取 | 第58-59页 |
5.2.2 颜色相似度计算和HOG行人检测 | 第59页 |
5.2.3 算法流程 | 第59-61页 |
5.3 实验和结果分析 | 第61-64页 |
5.3.1 实验环境 | 第61页 |
5.3.2 实验数据 | 第61页 |
5.3.3 实验评价指标 | 第61页 |
5.3.4 实验分析 | 第61-64页 |
5.4 本章小结 | 第64-65页 |
第六章 总结和展望 | 第65-67页 |
致谢 | 第67-68页 |
参考文献 | 第68-72页 |
攻硕期间取得的研究成果 | 第72-73页 |