视频场景中人群密度估计与应用
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 专用术语注释表 | 第9-10页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 人群密度估计的国内外研究现状 | 第11-14页 |
| 1.2.1 国内外研究现状 | 第11-14页 |
| 1.2.2 主要问题 | 第14页 |
| 1.3 主要工作 | 第14-16页 |
| 第二章 人群密度估计相关技术介绍 | 第16-27页 |
| 2.1 基于行人检测的定量估计人群密度 | 第16-24页 |
| 2.1.1 HOG+SVM行人检测 | 第17-19页 |
| 2.1.2 LBP特征 | 第19-20页 |
| 2.1.3 卷积神经网络模型 | 第20-24页 |
| 2.2 基于像素的统计特征人群密度估计 | 第24-26页 |
| 2.2.1 前景检测 | 第25页 |
| 2.2.2 特征提取 | 第25页 |
| 2.2.3 回归模型 | 第25-26页 |
| 2.3 本章小结 | 第26-27页 |
| 第三章 人群场景下的行人检测 | 第27-44页 |
| 3.1 综述 | 第27-28页 |
| 3.2 联合深度学习的行人检测原理 | 第28-32页 |
| 3.2.1 图像预处理 | 第28-29页 |
| 3.2.2 特征提取 | 第29页 |
| 3.2.3 局部检测图 | 第29-30页 |
| 3.2.4 变形层 | 第30-31页 |
| 3.2.5 卷积神经网络分类器 | 第31-32页 |
| 3.3 人群行人检测卷积神经网络模型 | 第32-36页 |
| 3.3.1 人群人体部件滤波器 | 第33-34页 |
| 3.3.2 全连接层 | 第34-36页 |
| 3.4 卷积神经网络行人识别实验和分析 | 第36-43页 |
| 3.4.1 行人数据库及评测标准 | 第36-37页 |
| 3.4.2 卷积神经网络的行人检测实验结果及分析 | 第37-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 行人定位与人群密度估计 | 第44-63页 |
| 4.1 监控摄像视觉矫正 | 第44-46页 |
| 4.2 空间映射与行人地平面定位 | 第46-56页 |
| 4.2.1 空间映射 | 第46-50页 |
| 4.2.2 行人地平面定位 | 第50-53页 |
| 4.2.3 行人地平面定位实验 | 第53-56页 |
| 4.3 人群密度估计 | 第56-62页 |
| 4.3.1 人群密度等级划分与估计 | 第57页 |
| 4.3.2 密度估计实验 | 第57-62页 |
| 4.4 本章小结 | 第62-63页 |
| 第五章 人群密度估计应用 | 第63-74页 |
| 5.1 密度估计应用综述 | 第63页 |
| 5.2 人群密度高危预警 | 第63-66页 |
| 5.2.1 人群密度信息统计 | 第64-65页 |
| 5.2.2 人群密度高危预警实验 | 第65-66页 |
| 5.3 人群哄散事件检测 | 第66-73页 |
| 5.3.1 人群哄散事件模型 | 第66-68页 |
| 5.3.2 SVM分类器 | 第68-71页 |
| 5.3.3 哄散事件检测实验 | 第71-73页 |
| 5.4 本章小结 | 第73-74页 |
| 第六章 总结与展望 | 第74-76页 |
| 6.1 研究工作总结 | 第74-75页 |
| 6.2 展望 | 第75-76页 |
| 参考文献 | 第76-80页 |
| 附录 攻读硕士学位期间撰写的论文 | 第80-81页 |
| 致谢 | 第81页 |
