基于计算机视觉的垂直交通客流统计方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 本文研究的目的及意义 | 第10-12页 |
| 1.1.1 本文研究的目的 | 第10-11页 |
| 1.1.2 课题研究的意义 | 第11-12页 |
| 1.2 客流统计技术及检测跟踪算法的研究现状 | 第12-16页 |
| 1.2.1 电梯客流统计的发展现状 | 第12-13页 |
| 1.2.2 行人检测技术的研究现状 | 第13-14页 |
| 1.2.3 行人跟踪技术的研究现状 | 第14-16页 |
| 1.3 论文研究的主要内容及结构安排 | 第16-17页 |
| 1.3.1 研究的主要内容 | 第16页 |
| 1.3.2 论文的结构安排 | 第16-17页 |
| 1.4 本章小结 | 第17-18页 |
| 第二章 Kinect图像采集及预处理 | 第18-28页 |
| 2.1 Kinect开发环境 | 第18-23页 |
| 2.1.1 Kinect成像原理 | 第18-20页 |
| 2.1.2 深度信息的获取 | 第20-21页 |
| 2.1.3 深度信息特点 | 第21-23页 |
| 2.2 图像预处理 | 第23-26页 |
| 2.2.1 深度图像去毛刺 | 第24-25页 |
| 2.2.2 深度图像空洞填充 | 第25-26页 |
| 2.3 本章小结 | 第26-28页 |
| 第三章 基于深度特征的乘客检测 | 第28-44页 |
| 3.1 基于深度信息的特征提取 | 第28-34页 |
| 3.1.1 深度差值梯度特征 | 第28-31页 |
| 3.1.2 深度相似度特征 | 第31-33页 |
| 3.1.3 基于主成分分析法的特征优化 | 第33-34页 |
| 3.2 多核学习支持向量机分类器 | 第34-36页 |
| 3.2.1 支持向量机 | 第34-35页 |
| 3.2.2 KML-SVM分类器 | 第35-36页 |
| 3.3 基于改进检测窗口的乘客检测 | 第36-38页 |
| 3.4 实验与分析 | 第38-43页 |
| 3.5 本章小结 | 第43-44页 |
| 第四章 基于UKF-NN及特征匹配关联的乘客跟踪 | 第44-50页 |
| 4.1 基于滤波的跟踪算法 | 第44-47页 |
| 4.1.1 卡尔曼滤波 | 第44-45页 |
| 4.1.2 无损卡尔曼滤波 | 第45-47页 |
| 4.2 最近邻数据关联方法 | 第47页 |
| 4.3 基于UKF-NN的乘客跟踪 | 第47-48页 |
| 4.4 基于特征的匹配关联算法 | 第48页 |
| 4.5 实验与分析 | 第48-49页 |
| 4.6 本章小结 | 第49-50页 |
| 第五章 电梯客流统计的实现 | 第50-64页 |
| 5.1 客流统计方法 | 第50-53页 |
| 5.2 实验平台配置 | 第53-54页 |
| 5.3 实验与分析 | 第54-62页 |
| 5.4 本章小结 | 第62-64页 |
| 第六章 结论 | 第64-66页 |
| 6.1. 工作总结 | 第64页 |
| 6.2. 研究展望 | 第64-65页 |
| 6.3 本章小结 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 作者简介 | 第70页 |
| 作者在攻读硕士学位期间发表的学术论文 | 第70-72页 |
| 致谢 | 第72页 |
