| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 1 绪论 | 第8-11页 |
| 1.1 研究背景以及研究意义 | 第8页 |
| 1.2 国内外研究现状以及发展趋势 | 第8-9页 |
| 1.3 论文的研究内容与主要创新点 | 第9页 |
| 1.4 本论文研究内容与章节安排 | 第9-10页 |
| 1.5 本章小结 | 第10-11页 |
| 2 图像预处理基础 | 第11-19页 |
| 2.1 数字图像简介 | 第11-12页 |
| 2.1.1 图像的类型 | 第11页 |
| 2.1.2 RGB颜色空间的分布模型 | 第11-12页 |
| 2.2 图像处理方法 | 第12页 |
| 2.3 图像分割技术 | 第12-15页 |
| 2.3.1 图像中特定颜色安全帽(ROI区域)的分割 | 第13页 |
| 2.3.2 SVF单向量滤波器提取目标 | 第13-14页 |
| 2.3.3 形态学处理 | 第14-15页 |
| 2.4 安全帽真实边界轮廓坐标跟踪 | 第15-18页 |
| 2.4.1 连通域标记 | 第16-17页 |
| 2.4.2 目标区域边界像素点提取 | 第17页 |
| 2.4.3 边界像素点跟踪提取(虚假轮廓排除) | 第17-18页 |
| 2.5 本章小结 | 第18-19页 |
| 3 Hough变换用于人头定位统计 | 第19-24页 |
| 3.1 Hough变换基本原理 | 第19页 |
| 3.2 Hough变换检测圆 | 第19-20页 |
| 3.3 安全帽区域像素点均匀离散化采样 | 第20-21页 |
| 3.4 Hough变换算法实现过程 | 第21-22页 |
| 3.5 Hough变换算法仿真 | 第22-23页 |
| 3.6 本章小结 | 第23-24页 |
| 4 基于模糊聚类的电梯内人员统计 | 第24-43页 |
| 4.1 模糊聚类分析理论基础 | 第24页 |
| 4.2 模糊聚类 | 第24-27页 |
| 4.2.1 聚类概述 | 第24页 |
| 4.2.2 模糊聚类发展现状 | 第24页 |
| 4.2.3 基于模糊相似关系的模糊聚类 | 第24-25页 |
| 4.2.4 模糊C均值聚类 | 第25-27页 |
| 4.3 图片测试 | 第27-29页 |
| 4.4 不平衡数据集 | 第29-30页 |
| 4.5 问题分析与数据集平衡化 | 第30-31页 |
| 4.6 数据集平衡化总体思想 | 第31页 |
| 4.7 基于统计目标轮廓的数据集平衡化 | 第31-36页 |
| 4.8 基于图像密度信息的数据集平衡化 | 第36-40页 |
| 4.8.1 模糊聚类获取安全帽的数量 | 第38-40页 |
| 4.9 边界法与密度法的对比 | 第40-42页 |
| 4.10 本章小结 | 第42-43页 |
| 5 模型的分析讨论以及数值仿真 | 第43-58页 |
| 5.1 安全帽的粘连情形讨论 | 第43-52页 |
| 5.1.1 一般的粘连模型 | 第43-44页 |
| 5.1.2 无粘连/极度轻微的粘连 | 第44-45页 |
| 5.1.3 轻微粘连情形 | 第45-49页 |
| 5.1.4 利用离散化采样模版优化采样过程 | 第49-52页 |
| 5.1.5 准确率统计 | 第52页 |
| 5.2 将FCM用于模型 | 第52-56页 |
| 5.2.1 FCM模型定性分析 | 第52-53页 |
| 5.2.2 初始聚类中心的选择 | 第53-56页 |
| 5.3 FCM模型的作用 | 第56页 |
| 5.4 本章小结 | 第56-58页 |
| 6 形状识别 | 第58-64页 |
| 6.1 安全帽轮廓特征的提取 | 第58-59页 |
| 6.1.1 人工神经网络 | 第58页 |
| 6.1.2 人工神经元 | 第58-59页 |
| 6.1.3 常用的人工神经元模型 | 第59页 |
| 6.2 训练样本的制作 | 第59-60页 |
| 6.3 BP人工神经网络 | 第60-63页 |
| 6.4 本章小结 | 第63-64页 |
| 7 总结与展望 | 第64-65页 |
| 7.1 总结 | 第64页 |
| 7.2 展望 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 攻读硕士学位期间发表的论文及研究成果 | 第69-70页 |
| 附录 | 第70-80页 |