| 摘要 | 第9-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第12-22页 |
| 1.1 研究目的和意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 人群密度估计和行为分析的经典方法 | 第14-16页 |
| 1.2.2 基于深度学习的人群密度估计及行为分析相关研究 | 第16-17页 |
| 1.3 论文主要研究内容与组织结构安排 | 第17-22页 |
| 1.3.1 论文主要工作 | 第17-19页 |
| 1.3.2 论文内容安排 | 第19-22页 |
| 第二章 人群密度估计与行为分析相关理论基础 | 第22-42页 |
| 2.1 人群密度估计与行为分析经典方法的理论基础 | 第22-31页 |
| 2.1.1 人群密度估计特征提取 | 第22-25页 |
| 2.1.2 人群行为分析特征提取 | 第25-29页 |
| 2.1.3 典型分类器 | 第29-31页 |
| 2.2 深度学习理论基础 | 第31-33页 |
| 2.2.1 深度卷积神经网络 | 第31-32页 |
| 2.2.2 深度循环神经网络 | 第32-33页 |
| 2.2.3 深度信念神经网络 | 第33页 |
| 2.3 深度学习在人群密度估计及行为分析中的应用 | 第33-41页 |
| 2.3.1 深度学习在人群密度估计中的应用 | 第34-37页 |
| 2.3.2 深度学习在人群行为分析中的应用 | 第37-41页 |
| 2.4 本章小结 | 第41-42页 |
| 第三章 结合CLBP与深度卷积神经网络的人群密度估计 | 第42-56页 |
| 3.1 CLBP特征提取 | 第42-47页 |
| 3.1.1 LBP特征提取 | 第43页 |
| 3.1.2 CLBP特征提取 | 第43-47页 |
| 3.2 人群密度估计的深度卷积神经网络框架构建 | 第47-51页 |
| 3.2.1 网络训练架构 | 第48-49页 |
| 3.2.2 卷积操作 | 第49页 |
| 3.2.3 池化操作 | 第49-50页 |
| 3.2.4 误差反向传播过程 | 第50-51页 |
| 3.3 实验过程与结果分析 | 第51-55页 |
| 3.3.1 实验预设置 | 第51页 |
| 3.3.2 实验结果与分析 | 第51-55页 |
| 3.4 本章小结 | 第55-56页 |
| 第四章 结合群组动量特征与深度卷积神经网络的人群行为分析 | 第56-73页 |
| 4.1 人群群组目标前景提取 | 第57-64页 |
| 4.1.1 高斯混合模型法 | 第57-59页 |
| 4.1.2 无参数建模法 | 第59-60页 |
| 4.1.3 PBAS动态建模法 | 第60-64页 |
| 4.2 人群行为分析动量特征提取 | 第64-69页 |
| 4.2.1 集体变化优先级计算 | 第64-66页 |
| 4.2.2 人群动量特征提取 | 第66-69页 |
| 4.3 人群行为分析的深度卷积神经网络框架构建 | 第69页 |
| 4.4 利用动量特征基于卷积神经网络的人群行为分析训练与分类 | 第69-72页 |
| 4.5 本章小结 | 第72-73页 |
| 第五章 总结与展望 | 第73-75页 |
| 5.1 论文主要工作和创新点 | 第73-74页 |
| 5.2 展望 | 第74-75页 |
| 致谢 | 第75-77页 |
| 参考文献 | 第77-83页 |
| 作者在学期间取得的学术成果 | 第83页 |
