基于卷积神经网络的电梯轿厢内人数统计研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 1 绪论 | 第8-14页 |
| 1.1 课题的研究背景和研究意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.3 论文主要工作 | 第11-12页 |
| 1.4 论文章节安排 | 第12-14页 |
| 2 人数统计的相关技术概述 | 第14-26页 |
| 2.1 基于计算机视觉的人数统计技术 | 第14-19页 |
| 2.1.1 基于人头特征 | 第14-18页 |
| 2.1.2 基于运动分析 | 第18-19页 |
| 2.1.3 基于前景连通区域像素 | 第19页 |
| 2.2 基于机器学习的人数统计技术 | 第19-23页 |
| 2.2.1 人工神经网络 | 第20-22页 |
| 2.2.2 AdaBoost分类器 | 第22-23页 |
| 2.3 基于深度学习的人数统计技术 | 第23-25页 |
| 2.3.1 基于人群密度的学习 | 第23-24页 |
| 2.3.2 基于目标识别 | 第24-25页 |
| 2.4 本章总结 | 第25-26页 |
| 3 基于三层卷积神经网络的人数统计研究 | 第26-45页 |
| 3.1 卷积神经网络的基本原理 | 第26-28页 |
| 3.2 卷积神经网络模型 | 第28-30页 |
| 3.2.1 网络模型设置 | 第28-30页 |
| 3.2.2 模型训练 | 第30页 |
| 3.3 改进邻域更新策略的萤火虫算法 | 第30-37页 |
| 3.3.1 改进领域更新策略的萤火虫算法 | 第31-33页 |
| 3.3.2 实验比较 | 第33-37页 |
| 3.4 基于改进岭回归模型的人数统计 | 第37-40页 |
| 3.4.1 岭回归模型的基本概念 | 第37-38页 |
| 3.4.2 改进的岭回归模型 | 第38-40页 |
| 3.5 实验结果与分析 | 第40-43页 |
| 3.5.1 实验设置 | 第40-41页 |
| 3.5.2 实验结果与分析 | 第41-43页 |
| 3.6 本章总结 | 第43-45页 |
| 4 基于多层卷积神经网络的人数统计研究 | 第45-63页 |
| 4.1 Caffe深度学习框架基本介绍 | 第45-46页 |
| 4.2 网络层数、特征面数和卷积核对模型的影响 | 第46页 |
| 4.3 卷积神经网络AlexNet | 第46-48页 |
| 4.4 窗口的遍历 | 第48页 |
| 4.5 实验仿真 | 第48-54页 |
| 4.5.1 数据集的准备 | 第48-51页 |
| 4.5.2 训练网络 | 第51-54页 |
| 4.6 实验结果与分析 | 第54-62页 |
| 4.6.1 实验结果 | 第54-60页 |
| 4.6.2 实验对比 | 第60-62页 |
| 4.7 本章总结 | 第62-63页 |
| 5 电梯轿厢内人数统计软件系统实现 | 第63-70页 |
| 5.1 软件系统实现 | 第63-66页 |
| 5.1.1 开放平台的搭建 | 第63-65页 |
| 5.1.2 软件设计总体流程 | 第65-66页 |
| 5.2 人数统计软件演示 | 第66-69页 |
| 5.3 本章总结 | 第69-70页 |
| 6 总结与展望 | 第70-72页 |
| 6.1 工作总结 | 第70页 |
| 6.2 不足与展望 | 第70-72页 |
| 参考文献 | 第72-75页 |
| 致谢 | 第75页 |
