| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 人群密度估计的研究现状 | 第12-13页 |
| 1.2.2 人群数量估计的研究现状 | 第13-14页 |
| 1.2.3 公用数据集 | 第14-15页 |
| 1.3 本文的主要研究内容 | 第15-16页 |
| 1.4 章节安排 | 第16-18页 |
| 第二章 人群估计算法概述 | 第18-32页 |
| 2.1 人群密度估计方法 | 第18-23页 |
| 2.1.1 GLCM特征提取 | 第18-20页 |
| 2.1.2 SVM特征分类 | 第20-23页 |
| 2.2 基于检测的人群数量估计方法 | 第23-29页 |
| 2.2.1 Haar-like特征描述和积分图计算 | 第25-26页 |
| 2.2.2 Adaboost分类算法 | 第26-29页 |
| 2.3 基于回归的人群数量估计方法 | 第29-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 基于卷积神经网络的密集人数估计算法 | 第32-50页 |
| 3.1 人工神经网络 | 第32-36页 |
| 3.2 卷积神经网络 | 第36-41页 |
| 3.2.1 卷积神经网络的特性 | 第37-38页 |
| 3.2.2 卷积层 | 第38-40页 |
| 3.2.3 下采样层(池化层) | 第40页 |
| 3.2.4 全连接层 | 第40页 |
| 3.2.5 输出层(Softmax回归) | 第40-41页 |
| 3.3 人群密度等级分类算法 | 第41-45页 |
| 3.3.1 人群特征提取 | 第41-42页 |
| 3.3.2 网络参数学习 | 第42-44页 |
| 3.3.3 密度等级分类实现 | 第44-45页 |
| 3.4 人群数量估计算法 | 第45-49页 |
| 3.4.1 网络参数学习 | 第46-49页 |
| 3.4.2 人数估计实现 | 第49页 |
| 3.5 本章小结 | 第49-50页 |
| 第四章 基于卷积神经网络的人数估计实验 | 第50-60页 |
| 4.1 实验数据准备 | 第50-51页 |
| 4.2 网络模型及参数选取 | 第51-52页 |
| 4.3 人数估计实验 | 第52-59页 |
| 4.3.1 实验一:AHU-CROWD数据集上的人数估计 | 第53-57页 |
| 4.3.2 实验二:UCSD数据集上的人数估计 | 第57-58页 |
| 4.3.3 实验三:UCF-CROWD数据集上的人数估计 | 第58-59页 |
| 4.4 本章小结 | 第59-60页 |
| 第五章 总结与展望 | 第60-62页 |
| 5.1 总结 | 第60页 |
| 5.2 展望 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 致谢 | 第67-68页 |
| 攻读研究生期间的研究成果 | 第68页 |
