| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-16页 |
| 1.1 人群密度估计及运动轨迹检测的提出 | 第8-9页 |
| 1.2 课题的研究目的和意义 | 第9-10页 |
| 1.3 国内外研究现状及分析 | 第10-13页 |
| 1.3.1 人群密度估计的研究现状 | 第10-11页 |
| 1.3.2 运动轨迹检测的研究现状 | 第11-13页 |
| 1.4 本文研究工作 | 第13-14页 |
| 1.5 论文组织安排 | 第14-16页 |
| 第二章 基于像素统计的人群密度估计 | 第16-30页 |
| 2.1 前景提取 | 第17-23页 |
| 2.1.1 均值法 | 第17页 |
| 2.1.2 Sacon算法 | 第17-19页 |
| 2.1.3 混合高斯算法 | 第19-22页 |
| 2.1.4 ViBe算法 | 第22-23页 |
| 2.2 图像处理方法 | 第23-24页 |
| 2.2.1 形态学处理 | 第23页 |
| 2.2.3 透视归一化 | 第23-24页 |
| 2.3 基于最小二乘法的曲线拟合 | 第24-26页 |
| 2.4 基于像素统计的实验分析 | 第26-29页 |
| 2.4.1 背景建模效果对比分析 | 第26-28页 |
| 2.4.2 曲线拟合效果分析 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第三章 基于纹理特征的人群密度估计 | 第30-40页 |
| 3.1 灰度共生矩阵 | 第30-31页 |
| 3.2 支持向量机 | 第31-33页 |
| 3.3 基于自适应的特征数据归一化 | 第33-34页 |
| 3.4 基于纹理特征的实验分析 | 第34-39页 |
| 3.4.1 不同图片的灰度共生矩阵特征走势情况分析 | 第35页 |
| 3.4.2 使用单个特征的分类结果对比 | 第35-36页 |
| 3.4.3 数据归一化处理 | 第36-39页 |
| 3.5 本章小结 | 第39-40页 |
| 第四章 运动轨迹检测 | 第40-48页 |
| 4.1 常见的轨迹检测算法 | 第40-41页 |
| 4.2 粒子滤波 | 第41-46页 |
| 4.2.1 贝叶斯理论 | 第41-43页 |
| 4.2.2 蒙特卡罗方法 | 第43-44页 |
| 4.2.3 序贯重要性采样 | 第44-46页 |
| 4.2.4 粒子退化与重采样 | 第46页 |
| 4.3 本章小结 | 第46-48页 |
| 第五章 基于方差调节的特征融合的粒子滤波轨迹检测 | 第48-64页 |
| 5.1 特征描述子 | 第48-51页 |
| 5.1.1 HSV特征描述子 | 第48-50页 |
| 5.1.2 GLCM特征描述子 | 第50-51页 |
| 5.2 融合策略 | 第51-54页 |
| 5.2.1 基于线性的融合方法 | 第53页 |
| 5.2.2 基于相似度的融合方法 | 第53-54页 |
| 5.2.3 基于方差调节的特征融合策略 | 第54页 |
| 5.3 轨迹检测 | 第54-55页 |
| 5.4 轨迹检测实验分析 | 第55-63页 |
| 5.4.1 在常规条件下三种跟踪方式对比 | 第55-57页 |
| 5.4.2 在阴影条件下三种跟踪方式对比 | 第57-59页 |
| 5.4.3 校园监控跟踪实验 | 第59-60页 |
| 5.4.4 运动轨迹检测效果分析 | 第60-61页 |
| 5.4.5 误差分析 | 第61-63页 |
| 5.5 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-66页 |
| 6.1 总结 | 第64-65页 |
| 6.2 展望 | 第65-66页 |
| 参考文献 | 第66-70页 |
| 攻读学位期间所取得的相关科研成果 | 第70-72页 |
| 致谢 | 第72页 |