| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第11-15页 |
| 1.1 研究背景与意义 | 第11页 |
| 1.2 人数统计国内外研究现状 | 第11-12页 |
| 1.3 本文主要研究内容 | 第12-13页 |
| 1.4 本文组织框架 | 第13-15页 |
| 2 人数统计方法相关基础工作概述 | 第15-31页 |
| 2.1 人数统计相关方法 | 第16-19页 |
| 2.1.1 基于个体特征的统计方法 | 第16-17页 |
| 2.1.2 基于人群特征的统计方法 | 第17-19页 |
| 2.2 图像预处理 | 第19-22页 |
| 2.2.1 图像灰度化 | 第19-20页 |
| 2.2.2 图像二值化 | 第20-21页 |
| 2.2.3 图像噪声去除 | 第21-22页 |
| 2.3 运动目标的检测方法 | 第22-28页 |
| 2.3.1 背景差分法 | 第23-24页 |
| 2.3.2 帧差法 | 第24-25页 |
| 2.3.3 光流法 | 第25-26页 |
| 2.3.4 统计学法 | 第26-28页 |
| 2.4 公共场所人流密集度划分 | 第28-31页 |
| 3 轮廓定位下的人头NSCT特征提取 | 第31-39页 |
| 3.1 引言 | 第31页 |
| 3.2 人头轮廓区域定位 | 第31-35页 |
| 3.3 非下采样Contourlet变换 | 第35-37页 |
| 3.3.1 Contourlet变换 | 第35-36页 |
| 3.3.2 非下采样Contourlet变换 | 第36-37页 |
| 3.4 人头NSCT特征的提取 | 第37-38页 |
| 3.4.1 NSCT下的人头目标提取 | 第37页 |
| 3.4.2 实验分析 | 第37-38页 |
| 3.5 本章小结 | 第38-39页 |
| 4 稀疏场所下基于NSCT和CS-LBP的人数统计 | 第39-49页 |
| 4.1 引言 | 第39页 |
| 4.2 人头特征的降维 | 第39-42页 |
| 4.2.1 CS-LBP下的NSCT人头特征级联 | 第39-41页 |
| 4.2.2 人头特征PCA降维 | 第41-42页 |
| 4.3 SVM分类器人头分类 | 第42-44页 |
| 4.3.1 支持向量机 | 第42-44页 |
| 4.3.2 SVM人头分类 | 第44页 |
| 4.4 稀疏场所下人数统计 | 第44-46页 |
| 4.4.1 稀疏场所下人数统计方法流程 | 第44-45页 |
| 4.4.2 实验分析 | 第45-46页 |
| 4.5 本章小结 | 第46-49页 |
| 5 一种改进的Harris角点检测算法 | 第49-57页 |
| 5.1 引言 | 第49页 |
| 5.2 Harris角点检测算法 | 第49-52页 |
| 5.3 S-Harris角点检测算法 | 第52-53页 |
| 5.3.1 自适应灰度差分 | 第52-53页 |
| 5.3.2 积分图像 | 第53页 |
| 5.4 实验结果与分析 | 第53-56页 |
| 5.4.1 光噪下的角点检测准确性 | 第53-55页 |
| 5.4.2 角点检测时间对比实验 | 第55-56页 |
| 5.5 本章总结 | 第56-57页 |
| 6 密集场所下基于S-Harris算法的人数统计 | 第57-65页 |
| 6.1 引言 | 第57页 |
| 6.2 卡尔曼滤波思想的回归模型 | 第57-61页 |
| 6.2.1 卡尔曼滤波 | 第57-59页 |
| 6.2.2 自适应的一阶动态回归模型 | 第59-61页 |
| 6.3 基于S-Harris算法的人数统计 | 第61-63页 |
| 6.3.1 密集场景下非目标角点的去除 | 第61页 |
| 6.3.2 实验结果与分析 | 第61-63页 |
| 6.4 本章总结 | 第63-65页 |
| 7 总结与展望 | 第65-67页 |
| 7.1 本文主要研究工作总结 | 第65-66页 |
| 7.2 后续工作展望 | 第66-67页 |
| 致谢 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 | 第73页 |