| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.1.1 课题研究背景 | 第10-11页 |
| 1.1.2 课题研究意义 | 第11页 |
| 1.2 深度学习及人群流量统计方法研究现状 | 第11-14页 |
| 1.2.1 深度学习卷积神经网络研究现状 | 第11-12页 |
| 1.2.2 人群流量统计系统研究现状 | 第12-14页 |
| 1.3 课题研究内容 | 第14页 |
| 1.3.1 人群图像全局特征和多尺度特征提取网络模型的建立 | 第14页 |
| 1.3.2 基于卷积神经网络的人群流量统计模型建立 | 第14页 |
| 1.3.3 基于深度学习的人群流量统计系统的实现 | 第14页 |
| 1.4 论文组织结构 | 第14-16页 |
| 第二章 相关技术研究 | 第16-24页 |
| 2.1 卷积神经网络简介 | 第16-20页 |
| 2.1.1 卷积神经网络的网络结构 | 第16-17页 |
| 2.1.2 卷积神经网络中常用层 | 第17-20页 |
| 2.2 基于几何自适应高斯核的标签密度图生成方法 | 第20-22页 |
| 2.3 本章小结 | 第22-24页 |
| 第三章 基于卷积神经网络的人群密度等级预测算法 | 第24-32页 |
| 3.1 人群图像全局特征提取网络模型的提出 | 第24-25页 |
| 3.2 人群图像全局特征提取网络模型的实现 | 第25-26页 |
| 3.3 人群图像局部特征提取网络模型的提出 | 第26-27页 |
| 3.4 人群图像局部特征提取网络模型的实现 | 第27页 |
| 3.5 训练过程及实现细节 | 第27-28页 |
| 3.6 模型训练过程和测试结果及分析 | 第28-31页 |
| 3.6.1 数据集介绍 | 第28-29页 |
| 3.6.2 数据集上实验结果 | 第29-31页 |
| 3.7 本章小结 | 第31-32页 |
| 第四章 基于卷积神经网络的人群流量统计算法 | 第32-54页 |
| 4.1 人群流量统计算法设计中存在的难点 | 第32-34页 |
| 4.2 基于卷积神经网络的人群流量统计算法基本流程 | 第34-35页 |
| 4.3 改进标签密度图生成 | 第35-38页 |
| 4.4 基于卷积神经网络的人群流量统计算法网络结构的设计 | 第38-42页 |
| 4.4.1 多尺度特征提取层 | 第39-41页 |
| 4.4.2 融合层 | 第41-42页 |
| 4.5 模型损失函数定义 | 第42页 |
| 4.6 训练过程及实现细节 | 第42-46页 |
| 4.7 实验结果及分析 | 第46-50页 |
| 4.7.1 模型性能评估标准 | 第46页 |
| 4.7.2 Shanghaitech数据集上实验结果 | 第46-48页 |
| 4.7.3 UCF_CC_50数据集上实验结果 | 第48-50页 |
| 4.8 相关对比实验 | 第50-51页 |
| 4.8.1 不同的标签密度图生成方法对模型性能影响 | 第50-51页 |
| 4.8.2 不同网络结构模型性能影响 | 第51页 |
| 4.9 本章小结 | 第51-54页 |
| 第五章 基于深度学习的人群流量统计系统设计与实现 | 第54-66页 |
| 5.1 系统需求分析 | 第54页 |
| 5.2 系统框架结构 | 第54-55页 |
| 5.3 功能模块设计 | 第55-61页 |
| 5.4 开发环境 | 第61页 |
| 5.5 系统实现结果 | 第61-63页 |
| 5.6 系统测试结果 | 第63-64页 |
| 5.7 本章小结 | 第64-66页 |
| 第六章 总结与展望 | 第66-68页 |
| 6.1 总结 | 第66页 |
| 6.2 未来工作的展望 | 第66-68页 |
| 参考文献 | 第68-74页 |
| 致谢 | 第74-76页 |
| 攻读学位期间研究成果 | 第76页 |
