| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 研究内容和方法 | 第13-14页 |
| 1.4 论文的组织与结构 | 第14-16页 |
| 第二章 基于RGB-D的运动前景检测 | 第16-36页 |
| 2.1 RGB-D数据采集 | 第16-19页 |
| 2.1.1 3D摄像头的架构 | 第16-17页 |
| 2.1.2 3D摄像头的深度测量原理 | 第17-18页 |
| 2.1.3 3D摄像头的技术参数 | 第18-19页 |
| 2.2 深度图像的空洞修复 | 第19-27页 |
| 2.2.1 深度图像空洞修复算法概述 | 第20-22页 |
| 2.2.2 基于高斯概率密度函数的空洞修复算法 | 第22-25页 |
| 2.2.3 实验结果与分析 | 第25-27页 |
| 2.3 基于RGB-D的运动前景检测算法 | 第27-34页 |
| 2.3.1 前景检测的算法概述 | 第27-30页 |
| 2.3.2 实验结果与分析 | 第30-34页 |
| 2.4 本章小结 | 第34-36页 |
| 第三章 基于RGB-D的人头检测和分类算法 | 第36-66页 |
| 3.1 基于RGB-D的候选人头区域的生成算法 | 第36-46页 |
| 3.1.1 候选人头区域的生成算法概述 | 第37-38页 |
| 3.1.2 基于双重Hough圆变换的候选人头区域生成算法 | 第38-41页 |
| 3.1.3 实验结果与分析 | 第41-46页 |
| 3.2 基于RGB-D的人头分类算法 | 第46-65页 |
| 3.2.1 人头分类算法概述 | 第47-52页 |
| 3.2.2 基于多属性学习的深度卷积网络人头分类器 | 第52-59页 |
| 3.2.3 实验结果和分析 | 第59-65页 |
| 3.3 本章小结 | 第65-66页 |
| 第四章 基于RGB-D的地铁人头跟踪和计数算法 | 第66-88页 |
| 4.1 基于RGB-D的人头跟踪算法 | 第66-77页 |
| 4.1.1 人头跟踪算法概述 | 第66-71页 |
| 4.1.2 基于自适应K近邻和特征匹配的人头跟踪算法 | 第71-74页 |
| 4.1.3 实验结果与分析 | 第74-77页 |
| 4.2 人流量计数方法 | 第77-87页 |
| 4.2.1 人流量计数方法概述 | 第77-82页 |
| 4.2.3 实验结果与分析 | 第82-87页 |
| 4.3 本章小结 | 第87-88页 |
| 总结与展望 | 第88-90页 |
| 结论 | 第88-89页 |
| 展望 | 第89-90页 |
| 参考文献 | 第90-94页 |
| 攻读博士/硕士学位期间取得的研究成果 | 第94-95页 |
| 致谢 | 第95-96页 |
| 附件 | 第96页 |
