面向智能监控的人流量计数及人群密度检测研究与实现
| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 课题的背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 人流量统计 | 第11-12页 |
| 1.2.2 人群密度检测 | 第12-13页 |
| 1.3 本文主要工作及组织结构 | 第13-15页 |
| 第二章 运动目标的提取 | 第15-27页 |
| 2.1 ViBe算法介绍 | 第15-17页 |
| 2.1.1 算法工作原理 | 第15-16页 |
| 2.1.2 模型初始化方法 | 第16页 |
| 2.1.3 模型的更新策略 | 第16-17页 |
| 2.2 ViBe算法改进 | 第17-21页 |
| 2.2.1 算法改进 | 第17-20页 |
| 2.2.2 算法实现与封装 | 第20-21页 |
| 2.3 实验结果与分析 | 第21-24页 |
| 2.4 基于人头检测的前景优化 | 第24-26页 |
| 2.4.1 形态学滤波 | 第24-25页 |
| 2.4.2 凸包检测与区域截取 | 第25-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 人头目标检测 | 第27-45页 |
| 3.1 Adaboost算法介绍 | 第27-29页 |
| 3.2 特征介绍 | 第29-32页 |
| 3.2.1 LBP特征 | 第29-31页 |
| 3.2.2 Haar_like特征 | 第31-32页 |
| 3.3 Adaboost分类器的训练与检测 | 第32-37页 |
| 3.3.1 样本准备与训练 | 第32-35页 |
| 3.3.2 人头检测 | 第35-36页 |
| 3.3.3 实验结果对比 | 第36-37页 |
| 3.4 人头检测算法优化 | 第37-44页 |
| 3.4.1 基于K-Means算法的样本筛选 | 第37-39页 |
| 3.4.2 方向梯度直方图特征提取 | 第39-40页 |
| 3.4.3 支持向量机算法介绍 | 第40-41页 |
| 3.4.4 实现结果与分析 | 第41-44页 |
| 3.5 本章小结 | 第44-45页 |
| 第四章 多目标跟踪与计数 | 第45-64页 |
| 4.1 目标跟踪算法概述 | 第45页 |
| 4.2 基于路径预测的多目标跟踪 | 第45-50页 |
| 4.2.1 跟踪算法原理 | 第45-47页 |
| 4.2.2 多目标跟踪原理 | 第47页 |
| 4.2.3 算法实现 | 第47-49页 |
| 4.2.4 实验结果 | 第49-50页 |
| 4.3 基于核相关滤波和贪心算法的多目标跟踪 | 第50-55页 |
| 4.3.1 核相关滤波算法介绍 | 第50-52页 |
| 4.3.2 多目标跟踪原理 | 第52-53页 |
| 4.3.3 算法实现 | 第53-55页 |
| 4.3.4 实验结果 | 第55页 |
| 4.4 人流量计数 | 第55-57页 |
| 4.4.1 检测区域 | 第55-56页 |
| 4.4.2 计数策略 | 第56-57页 |
| 4.5 实验结果对比与分析 | 第57-60页 |
| 4.5.1 实验环境 | 第57-58页 |
| 4.5.2 实验结果对比分析 | 第58-60页 |
| 4.6 软件设计与实现 | 第60-63页 |
| 4.6.1 软件设计 | 第60-62页 |
| 4.6.2 软件实现 | 第62-63页 |
| 4.7 本章小结 | 第63-64页 |
| 第五章 基于卷积神经网络的人群密度检测 | 第64-76页 |
| 5.1 卷积神经网络介绍 | 第64-66页 |
| 5.1.1 卷积层 | 第65页 |
| 5.1.2 激活函数层 | 第65页 |
| 5.1.3 池化层 | 第65-66页 |
| 5.2 经典网络模型介绍 | 第66-67页 |
| 5.3 分块多列卷积神经网络 | 第67-68页 |
| 5.4 密度图制作 | 第68-70页 |
| 5.5 实验验证 | 第70-73页 |
| 5.5.1 实验环境 | 第70-71页 |
| 5.5.2 训练效率 | 第71页 |
| 5.5.3 实验结果 | 第71-73页 |
| 5.6 在校园中的应用 | 第73-75页 |
| 5.7 本章小结 | 第75-76页 |
| 第六章 总结与展望 | 第76-78页 |
| 6.1 总结 | 第76-77页 |
| 6.2 展望 | 第77-78页 |
| 参考文献 | 第78-81页 |
| 致谢 | 第81-82页 |
| 附录 | 第82页 |
