视频会议参会人数统计算法研究
| 摘要 | 第6-7页 |
| abstract | 第7-8页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 论文的研究背景和意义 | 第11-12页 |
| 1.2 研究现状 | 第12-13页 |
| 1.3 研究目的 | 第13-14页 |
| 1.4 论文的结构安排 | 第14-16页 |
| 第2章 传统的人数统计算法介绍 | 第16-27页 |
| 2.1 基于HOG特征的人数统计方法 | 第16-19页 |
| 2.1.1 HOG特征提取 | 第16-18页 |
| 2.1.2 支持向量机 | 第18-19页 |
| 2.2 人脸识别算法 | 第19-24页 |
| 2.2.1 Haar-like特征 | 第20-23页 |
| 2.2.2 Adaboost分类器 | 第23-24页 |
| 2.3 人头检测算法 | 第24-25页 |
| 2.4 本章小结 | 第25-27页 |
| 第3章 基于极坐标多尺度HOG的人数统计算法 | 第27-34页 |
| 3.1 极坐标多尺度HOG算子 | 第27-30页 |
| 3.1.1 基于极坐标的HOG算子 | 第27-28页 |
| 3.1.2 消除非相关像素点 | 第28-29页 |
| 3.1.3 多尺度极坐标HOG算子 | 第29-30页 |
| 3.2 时空特性 | 第30-32页 |
| 3.2.1 遮挡判定 | 第30-31页 |
| 3.2.2 结果更新 | 第31-32页 |
| 3.3 实验结果分析 | 第32-33页 |
| 3.4 本章小结 | 第33-34页 |
| 第4章 头肩模型和肤色检测结合的人数统计算法 | 第34-46页 |
| 4.1 混合高斯背景建模(GMM) | 第34-36页 |
| 4.2 双混合高斯背景建模 | 第36-37页 |
| 4.2.1 双混合高斯背景模型建立 | 第36-37页 |
| 4.2.2 视频时间感知信息 | 第37页 |
| 4.3 改进的头肩模型 | 第37-43页 |
| 4.3.1 改进的头肩模型 | 第38-39页 |
| 4.3.2 特征提取 | 第39-42页 |
| 4.3.3 特征匹配 | 第42页 |
| 4.3.4 肤色检测 | 第42-43页 |
| 4.4 实验结果仿真 | 第43-45页 |
| 4.5 本章小结 | 第45-46页 |
| 第5章 基于自适应能量模型的人数统计算法 | 第46-58页 |
| 5.1 算法介绍 | 第46-47页 |
| 5.2 能量模型统计人数 | 第47-49页 |
| 5.3 自适应能量模型 | 第49-54页 |
| 5.3.1 连通域复检测 | 第49-50页 |
| 5.3.2 参考人建模 | 第50-51页 |
| 5.3.3 检测目标建模 | 第51-52页 |
| 5.3.4 检测步骤 | 第52-54页 |
| 5.4 实验结果 | 第54-57页 |
| 5.5 本章小结 | 第57-58页 |
| 结论与展望 | 第58-59页 |
| 致谢 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 攻读硕士学位期间发表的论文及参与的科研项目 | 第64页 |
