| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 选题背景与研究意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 研究现状 | 第12-13页 |
| 1.2.2 基于检测的人群计数算法相关工作 | 第13页 |
| 1.2.3 基于回归的人群计数算法相关工作 | 第13-15页 |
| 1.3 本文的主要内容与创新成果 | 第15-16页 |
| 1.4 论文章节安排 | 第16-17页 |
| 第二章 基于卷积神经网络的人群计数方法综述 | 第17-30页 |
| 2.1 卷积神经网络基础 | 第17-24页 |
| 2.1.1 人工神经元 | 第17-19页 |
| 2.1.2 前向型人工神经网络 | 第19-20页 |
| 2.1.3 误差反向传播算法 | 第20页 |
| 2.1.4 卷积神经网络 | 第20-24页 |
| 2.2 基于卷积神经网络的人群计数方法 | 第24-27页 |
| 2.2.1 基于卷积神经网络的人群计数方法思路 | 第24-25页 |
| 2.2.2 直接回归人数的卷积神经网络模型 | 第25页 |
| 2.2.3 间接回归人群密度的卷积神经网络模型 | 第25-27页 |
| 2.3 对比实验数据库 | 第27-29页 |
| 2.3.1 Shanghaitech数据库 | 第27页 |
| 2.3.2 UCF_CC_50 数据库 | 第27-28页 |
| 2.3.3 WorldExpo’10 数据库 | 第28页 |
| 2.3.4 UCSD数据库 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 基于深度残差网络的人群计数模型 | 第30-44页 |
| 3.1 深度残差学习 | 第30-33页 |
| 3.1.1 残差卷积单元(Res-Conv) | 第30-31页 |
| 3.1.2 批归一化(Batch Normalization) | 第31-32页 |
| 3.1.3 深度残差网络与多列浅层网络的等效性 | 第32-33页 |
| 3.2 基于深度残差网络的人群计数模型(Res-CNN) | 第33-34页 |
| 3.3 尺度相关人群密度图 | 第34-36页 |
| 3.4 实验分析 | 第36-43页 |
| 3.4.1 Shanghaitech实验与分析 | 第37-39页 |
| 3.4.2 UCF_CC_50 实验与分析 | 第39-40页 |
| 3.4.3 WorldExpo’10 实验与分析 | 第40-42页 |
| 3.4.4 UCSD实验与分析 | 第42-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 基于多尺度卷积神经网络的人群计数模型 | 第44-54页 |
| 4.1 多尺度卷积单元(MSB Conv) | 第44-45页 |
| 4.2 多层感知卷积单元(MLP Conv) | 第45-46页 |
| 4.3 基于多尺度卷积神经网络的人群计数模型(MSCNN) | 第46-48页 |
| 4.4 MSCNN实验与分析 | 第48-53页 |
| 4.4.1 Shanghaitech实验与分析 | 第48-50页 |
| 4.4.2 UCF_CC_50 实验与分析 | 第50-51页 |
| 4.4.3 WorldExpo’10 实验与分析 | 第51-52页 |
| 4.4.4 UCSD实验与分析 | 第52-53页 |
| 4.5 本章小结 | 第53-54页 |
| 第五章 基于MSCNN的实时监控视频人群计数系统 | 第54-59页 |
| 5.1 系统功能需求与框架 | 第54页 |
| 5.2 系统模块设计 | 第54-56页 |
| 5.2.1 系统参数设置模块 | 第54页 |
| 5.2.2 监控视频获取模块 | 第54-55页 |
| 5.2.3 MSCNN人群计数模块 | 第55-56页 |
| 5.2.4 计数结果可视化模块 | 第56页 |
| 5.3 系统开发环境 | 第56页 |
| 5.4 系统功能展示与分析 | 第56-58页 |
| 5.5 本章小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 本文总结 | 第59-60页 |
| 6.2 未来展望 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士学位期间取得的研究成果 | 第65-66页 |
| 致谢 | 第66-67页 |
| 附件 | 第67页 |
