| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 1 绪论 | 第12-19页 |
| 1.1 研究背景及意义 | 第12-15页 |
| 1.2 研究现状 | 第15-17页 |
| 1.2.1 人群计数研究现状 | 第15-16页 |
| 1.2.2 人群密度统计研究现状 | 第16-17页 |
| 1.3 本文研究内容 | 第17-19页 |
| 2 深度学习及其应用分析 | 第19-25页 |
| 2.1 深度学习算法 | 第19-23页 |
| 2.1.1 感知器 | 第19-20页 |
| 2.1.2 神经网络 | 第20-21页 |
| 2.1.3 深度学习网络 | 第21-23页 |
| 2.2 深度学习应用分析 | 第23-25页 |
| 3 基基于 D-kk NN 算法法的人群群密度估计 | 第25-37页 |
| 3.1 引言 | 第25页 |
| 3.2 人群密度度估计算法流程 | 第25-26页 |
| 3.3 图像预处理及纹理特征提取 | 第26-32页 |
| 3.3.1 图像预处理 | 第26-28页 |
| 3.3.2 特征向量提取 | 第28-32页 |
| 3.4 基于D-kNN算法的人群密度估计 | 第32-36页 |
| 3.4.1 改进的D-kNN分类训练 | 第32-33页 |
| 3.4.2 人群密度估计实验及结果分析 | 第33-36页 |
| 3.5 小结 | 第36-37页 |
| 4 基于LR-CNN的稠密人群计数 | 第37-57页 |
| 4.1 引言 | 第37-38页 |
| 4.2 基于LR-CNN的稠密人群计数模型 | 第38-45页 |
| 4.2.1 卷积神经网络 | 第38-42页 |
| 4.2.2 网络实例 | 第42-43页 |
| 4.2.3 基于LR-CNN的稠密人群计数模型 | 第43-45页 |
| 4.3 LR-CNN计数模型函数选择 | 第45-53页 |
| 4.3.1 LR激活函数 | 第45-48页 |
| 4.3.2 LR-CNN反向传播算法 | 第48-51页 |
| 4.3.3 LR-CNN梯度计算 | 第51-53页 |
| 4.4 稠密人群计数实验及结果分析 | 第53-56页 |
| 4.4.1 数据处理 | 第53页 |
| 4.4.2 实验过程 | 第53-54页 |
| 4.4.3 实验结果分析 | 第54-56页 |
| 4.5 小结 | 第56-57页 |
| 5 总结与展望 | 第57-59页 |
| 5.1 总结 | 第57-58页 |
| 5.2 展望 | 第58-59页 |
| 参考文献 | 第59-64页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第64-66页 |
| 致谢 | 第66页 |