| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第13-18页 |
| 1.1 研究背景和意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.3 本文主要工作与组织结构 | 第16-18页 |
| 第二章 人数统计相关技术概述 | 第18-28页 |
| 2.1 相关概念 | 第18-21页 |
| 2.1.1 机器学习与分类器概述 | 第18-20页 |
| 2.1.2 目标检测概述 | 第20-21页 |
| 2.2 基于行人检测的人数统计方法 | 第21-24页 |
| 2.3 基于像素点特征回归的人数统计方法 | 第24-27页 |
| 2.4 本章总结 | 第27-28页 |
| 第三章 基于Adaboost与卡尔曼滤波结合的人数统计算法 | 第28-53页 |
| 3.1 引言 | 第28-29页 |
| 3.2 基于Adaboost算法的人头初步检测 | 第29-39页 |
| 3.2.1 Adaboost算法介绍 | 第30-32页 |
| 3.2.2 训练样本的准备 | 第32-34页 |
| 3.2.3 梯度方向直方图特征描述 | 第34-37页 |
| 3.2.4 多尺度滑动窗策略人头初步检测 | 第37-39页 |
| 3.3 基于支持向量机的人头检测二次筛选 | 第39-43页 |
| 3.3.1 支持向量机基本概念 | 第39-42页 |
| 3.3.2 人头检测二次筛选基本流程 | 第42-43页 |
| 3.4 基于卡尔曼滤波与检测结果数据关联的人数统计 | 第43-48页 |
| 3.4.1 卡尔曼滤波 | 第44-46页 |
| 3.4.2 基于欧式距离的检测跟踪数据关联算法 | 第46-48页 |
| 3.5 实验结果与分析 | 第48-52页 |
| 3.5.1 实验设置 | 第49-50页 |
| 3.5.2 实验结果与分析 | 第50-52页 |
| 3.6 本章总结 | 第52-53页 |
| 第四章 基于卷积神经网络的监控视频人数统计算法 | 第53-65页 |
| 4.1 深度卷积神经网络基本原理 | 第53-54页 |
| 4.2 卷积神经网络回归人群密度分布特征图 | 第54-56页 |
| 4.2.1 损失函数设计 | 第55页 |
| 4.2.2 卷积神经网络模型训练 | 第55-56页 |
| 4.3 基于岭回归模型的人数统计 | 第56-58页 |
| 4.3.1 岭回归基本概念 | 第56-57页 |
| 4.3.2 基于岭回归模型人数统计 | 第57-58页 |
| 4.4 实验结果与分析 | 第58-63页 |
| 4.4.1 实验设置 | 第58-60页 |
| 4.4.2 对比实验结果与分析 | 第60-63页 |
| 4.5 本章总结 | 第63-65页 |
| 第五章 总结与展望 | 第65-67页 |
| 5.1 总结 | 第65页 |
| 5.2 展望 | 第65-67页 |
| 参考文献 | 第67-70页 |
| 致谢 | 第70-71页 |
| 攻读硕士学位期间发表的论文 | 第71-72页 |
| 攻读硕士学位期间参加的科研项目 | 第72页 |