基于纹理分析的人群密度估计
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 人群密度检测的提出 | 第10-11页 |
| 1.2 人群密度检测应用前景和意义 | 第11页 |
| 1.3 国内外研究情况 | 第11-12页 |
| 1.4 论文研究的主要内容 | 第12-15页 |
| 1.4.1 研究内容 | 第12-13页 |
| 1.4.2 本文的组织结构 | 第13-15页 |
| 第2章 人群密度估计技术 | 第15-27页 |
| 2.1 人群检测系统 | 第15页 |
| 2.2 基于像素统计的人群密度估计 | 第15-18页 |
| 2.3 基于纹理分析的人群密度估计 | 第18-19页 |
| 2.4 分类器原理 | 第19-27页 |
| 2.4.1 贝叶斯分类器 | 第19-20页 |
| 2.4.2 神经网络分类器 | 第20页 |
| 2.4.3 决策树算法 | 第20页 |
| 2.4.4 支持向量机 | 第20-27页 |
| 第3章 人群图像的纹理特征提取 | 第27-36页 |
| 3.1 纹理特征 | 第27-28页 |
| 3.2 灰度共生矩阵特征提取 | 第28-32页 |
| 3.3 梯度-灰度共生矩阵特征提取 | 第32-36页 |
| 第4章 基于改进支持向量机的人群密度估计 | 第36-45页 |
| 4.1 改进的多分类支持向量机 | 第36-40页 |
| 4.2 基于改进SVM的人群密度估计实验 | 第40-44页 |
| 4.2.1 实验过程 | 第40-43页 |
| 4.2.2 实验结果 | 第43-44页 |
| 4.3 本章小结 | 第44-45页 |
| 第5章 基于极速学习机的人群密度估计 | 第45-56页 |
| 5.1 极速学习机算法 | 第45-51页 |
| 5.1.1 单隐层前馈神经网络模型 | 第45-48页 |
| 5.1.2 极速学习机求解(ELM) | 第48-51页 |
| 5.2 基于ELM的人群密度估计实验 | 第51-52页 |
| 5.2.1 极速学习机参数的确定 | 第51-52页 |
| 5.2.2 分类结果 | 第52页 |
| 5.3 支持向量机与极速学习机比较分析 | 第52-56页 |
| 5.3.1 SVM与ELM理论比较 | 第52-55页 |
| 5.3.2 实验结果比较 | 第55-56页 |
| 第6章 总结与展望 | 第56-58页 |
| 6.1 本文工作总结 | 第56页 |
| 6.2 进一步工作展望 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 致谢 | 第62页 |
