| 摘要 | 第3-4页 |
| abstract | 第4页 |
| 第1章 绪论 | 第8-12页 |
| 1.1 课题的研究背景及意义 | 第8-9页 |
| 1.2 算法的国内外发展现状 | 第9-10页 |
| 1.3 本文的结构安排 | 第10-12页 |
| 第2章 人数统计关键技术研究 | 第12-32页 |
| 2.1 运动前景分割 | 第12-16页 |
| 2.1.1 帧差法 | 第12-14页 |
| 2.1.2 背景差法 | 第14-15页 |
| 2.1.3 光流法 | 第15-16页 |
| 2.2 经典行人特征 | 第16-25页 |
| 2.2.1 Haar-like特征 | 第16-18页 |
| 2.2.2 SIFT特征 | 第18-22页 |
| 2.2.3 发色特征和肤色特征 | 第22-24页 |
| 2.2.4 头部圆形特征 | 第24-25页 |
| 2.3 行人目标决策 | 第25-30页 |
| 2.3.1 机器学习中的几个重要概念 | 第26-27页 |
| 2.3.2 决策树 | 第27-28页 |
| 2.3.3 支持向量机 | 第28-30页 |
| 2.4 本章小结 | 第30-32页 |
| 第3章 基于BP神经网络的人数统计 | 第32-44页 |
| 3.1 前景分割及前景面积归一化 | 第32-35页 |
| 3.1.1 混合高斯背景建模 | 第32-34页 |
| 3.1.2 阴影滤除 | 第34页 |
| 3.1.3 计算归一化前景面积 | 第34-35页 |
| 3.2 行人遮挡程度的计算 | 第35-39页 |
| 3.2.1 Harris角点提取 | 第35-36页 |
| 3.2.2 SURF特征点提取 | 第36-38页 |
| 3.2.3 筛选有效特征点并计算遮挡系数 | 第38-39页 |
| 3.3 BP神经网络 | 第39-42页 |
| 3.4 建立回归模型 | 第42-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第4章 基于检测的人数统计 | 第44-52页 |
| 4.1 行人HOG特征提取 | 第44-46页 |
| 4.2 集成学习Adaboost算法 | 第46-48页 |
| 4.2.1 集成学习 | 第46-47页 |
| 4.2.2 Boosting和Adaboost算法 | 第47-48页 |
| 4.3 基于AdaBoost的人员统计算法的具体实现 | 第48-50页 |
| 4.3.1 样本的获取 | 第48-50页 |
| 4.3.2 训练分类器 | 第50页 |
| 4.4 本章小结 | 第50-52页 |
| 第5章 Stacking策略下的多分类器融合 | 第52-58页 |
| 5.1 多分类器融合方法比较 | 第53-54页 |
| 5.1.1 Bagging | 第53-54页 |
| 5.1.2 贝叶斯最优分类器 | 第54页 |
| 5.2 基于Stacking策略的多分类器融合算法的实现 | 第54-56页 |
| 5.3 本章小结 | 第56-58页 |
| 第6章 系统设计与性能分析 | 第58-64页 |
| 6.1 系统设计 | 第58-59页 |
| 6.1.1 算法流程 | 第58-59页 |
| 6.1.2 开发环境 | 第59页 |
| 6.2 性能分析 | 第59-63页 |
| 6.2.1 实验数据集 | 第59页 |
| 6.2.2 算法有效性及实时性分析 | 第59-63页 |
| 6.3 本章小结 | 第63-64页 |
| 第7章 总结与展望 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 发表论文和参加科研情况说明 | 第70-72页 |
| 致谢 | 第72页 |
