基于视觉的行人统计系统设计
| 摘要 | 第1-7页 |
| ABSTRACT | 第7-11页 |
| 第1章 绪论 | 第11-17页 |
| ·研究背景和意义 | 第11-12页 |
| ·国内外研究现状 | 第12-14页 |
| ·常见的行人统计方法 | 第12-13页 |
| ·基于计算机视觉的行人检测研究现状 | 第13-14页 |
| ·本文的研究工作 | 第14-15页 |
| ·本文内容安排 | 第15-17页 |
| 第2章 图像序列中的运动区域提取 | 第17-31页 |
| ·引言 | 第17页 |
| ·常见的运动区域提取 | 第17-22页 |
| ·背景差分法 | 第17-18页 |
| ·帧间差分法 | 第18-20页 |
| ·光流法 | 第20-22页 |
| ·视觉背景提取算法与数学形态学 | 第22-26页 |
| ·视觉背景提取算法 | 第22-24页 |
| ·数学形态学 | 第24-26页 |
| ·基于VIBE算法的矩形运动区域提取 | 第26-30页 |
| ·基于VIBE算法的矩形运动区域提取 | 第26-27页 |
| ·实验结果与分析 | 第27-30页 |
| ·本章小结 | 第30-31页 |
| 第3章 基于头肩部特征的行人检测 | 第31-47页 |
| ·引言 | 第31页 |
| ·行人检测中的常用特征 | 第31-37页 |
| ·Haar-like特征 | 第31-33页 |
| ·LBP特征 | 第33-34页 |
| ·HOG特征 | 第34-36页 |
| ·CENTRIST特征 | 第36-37页 |
| ·几种特征的比较 | 第37页 |
| ·支持向量机原理 | 第37-41页 |
| ·统计学习理论 | 第37-38页 |
| ·线性可分情形 | 第38-40页 |
| ·线性不可分情形 | 第40-41页 |
| ·基于头肩部特征和C4框架的行人检测方法 | 第41-46页 |
| ·人体头肩部特征 | 第41-42页 |
| ·C4框架简介 | 第42页 |
| ·人体头肩部分类器训练 | 第42-45页 |
| ·实验结果与分析 | 第45-46页 |
| ·本章小结 | 第46-47页 |
| 第4章 多目标跟踪 | 第47-54页 |
| ·引言 | 第47页 |
| ·基本原理 | 第47-50页 |
| ·卡尔曼滤波 | 第47-49页 |
| ·匈牙利算法 | 第49-50页 |
| ·基于卡尔曼滤波的多目标跟踪算法 | 第50-53页 |
| ·基于卡尔曼滤波的多目标跟踪算法原理 | 第50-51页 |
| ·多目标跟踪实验结果与分析 | 第51-53页 |
| ·本章小结 | 第53-54页 |
| 第5章 行人统计的实现 | 第54-57页 |
| ·引言 | 第54页 |
| ·行人统计实验结果 | 第54-56页 |
| ·本章小结 | 第56-57页 |
| 第6章 总结与展望 | 第57-59页 |
| ·研究工作总结 | 第57-58页 |
| ·未来研究的展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 附录 | 第64页 |
