基于深度学习的行人流量统计算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-19页 |
| 1.1 课题来源及研究背景和意义 | 第9-11页 |
| 1.1.1 课题的来源 | 第9页 |
| 1.1.2 课题背景 | 第9-10页 |
| 1.1.3 课题研究的意义 | 第10-11页 |
| 1.2 国内外在该方向的研究现状 | 第11-14页 |
| 1.2.1 行人流量统计研究现状 | 第11-13页 |
| 1.2.2 基于深度学习的目标检测研究现状 | 第13-14页 |
| 1.3 主要研究内容及章节安排 | 第14-16页 |
| 1.4 本课题的研究方案 | 第16-19页 |
| 第2章 卷积神经网络基础理论研究 | 第19-39页 |
| 2.1 概述 | 第19页 |
| 2.2 卷积神经网络的概念 | 第19-20页 |
| 2.3 卷积神经网络的组成 | 第20-33页 |
| 2.3.1 卷积层 | 第20-24页 |
| 2.3.2 池化层 | 第24-26页 |
| 2.3.3 激活函数 | 第26-29页 |
| 2.3.4 全连接层 | 第29页 |
| 2.3.5 分类器及损失函数 | 第29-31页 |
| 2.3.6 正则化 | 第31-33页 |
| 2.4 卷积神经网络的训练 | 第33-38页 |
| 2.4.1 损失函数的优化方法 | 第33-36页 |
| 2.4.2 反向传播算法 | 第36-38页 |
| 2.5 本章小结 | 第38-39页 |
| 第3章 基于深度学习的目标检测算法 | 第39-60页 |
| 3.1 概述 | 第39页 |
| 3.2 三个基本概念 | 第39-42页 |
| 3.2.1 mAP | 第39-40页 |
| 3.2.2 Io U | 第40页 |
| 3.2.3 边框回归 | 第40-42页 |
| 3.3 传统目标检测算法 | 第42-44页 |
| 3.4 基于CNN的目标检测算法 | 第44-48页 |
| 3.5 深度卷积回归网络SSD | 第48-59页 |
| 3.5.1 SSD检测框架与原理 | 第48-52页 |
| 3.5.2 SSD基网络的研究比较 | 第52-59页 |
| 3.6 本章小结 | 第59-60页 |
| 第4章 跟踪、关联与轨迹分析算法 | 第60-69页 |
| 4.1 概述 | 第60页 |
| 4.2 单目标跟踪算法 | 第60-64页 |
| 4.3 关联算法 | 第64-66页 |
| 4.4 轨迹分析算法 | 第66-68页 |
| 4.5 本章小结 | 第68-69页 |
| 第5章 实验测试与分析 | 第69-82页 |
| 5.1 概述 | 第69页 |
| 5.2 客流摄像头的布置和所获取的视频 | 第69-70页 |
| 5.2.1 摄像头角度和高度的设置 | 第69页 |
| 5.2.2 样本视频 | 第69-70页 |
| 5.3 检测器的设计制作 | 第70-75页 |
| 5.3.1 检测图像数据集的制作与扩充 | 第70-73页 |
| 5.3.2 SSD检测器的训练细节与效果 | 第73-75页 |
| 5.4 跟踪程序的设计细节与效果 | 第75-76页 |
| 5.5 关联与轨迹分析程序设计细节与效果 | 第76-77页 |
| 5.6 算法的性能测试与结果分析 | 第77-81页 |
| 5.7 本章小结 | 第81-82页 |
| 结论 | 第82-84页 |
| 参考文献 | 第84-89页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第89-91页 |
| 致谢 | 第91页 |
