| 摘要 | 第1-4页 |
| ABSTRACT | 第4-9页 |
| 1 绪论 | 第9-14页 |
| ·课题研究的背景 | 第9页 |
| ·课题研究的意义和应用前景 | 第9-10页 |
| ·国内外研究现状 | 第10-11页 |
| ·本文的主要工作和创新点 | 第11-12页 |
| ·论文的结构安排 | 第12-14页 |
| 2 人群密度估计方法综述 | 第14-18页 |
| ·基于像素特征的人群密度估计算法 | 第14-15页 |
| ·基于纹理分析的人群密度估计算法 | 第15-16页 |
| ·方法比较 | 第16页 |
| ·本文方法 | 第16-17页 |
| ·本章小结 | 第17-18页 |
| 3 基于前景像素和线性回归的低密度人群估计方法 | 第18-33页 |
| ·前景提取 | 第18-27页 |
| ·图像采集 | 第18-19页 |
| ·图像灰度化 | 第19页 |
| ·提取前景 | 第19-23页 |
| ·图像二值化 | 第23-26页 |
| ·图像去噪 | 第26-27页 |
| ·形态学处理 | 第27-30页 |
| ·获取像素数 | 第30页 |
| ·最小二乘线性拟合 | 第30-32页 |
| ·本章小结 | 第32-33页 |
| 4 基于纹理特征分析和支持向量机的中高密度人群估计方法 | 第33-50页 |
| ·纹理特征分析 | 第33-35页 |
| ·纹理概述 | 第33页 |
| ·纹理描述和度量方法 | 第33-35页 |
| ·基于灰度共生矩阵的纹理特征分析 | 第35-38页 |
| ·灰度共生矩阵概述 | 第35-36页 |
| ·人群密度特征提取 | 第36-38页 |
| ·支持向量机 | 第38-49页 |
| ·模式分类概述 | 第38-40页 |
| ·支持向量机理论 | 第40-45页 |
| ·核函数 | 第45-46页 |
| ·支持向量机学习算法 | 第46-47页 |
| ·支持向量机分类算法 | 第47-49页 |
| ·本章小结 | 第49-50页 |
| 5 实验结果及分析 | 第50-66页 |
| ·实验环境 | 第50页 |
| ·实验说明 | 第50-52页 |
| ·低密度人群估计 | 第52页 |
| ·中高密度人群估计 | 第52-65页 |
| ·灰度共生矩阵构造参数的选取 | 第52-59页 |
| ·核函数参数的选取 | 第59-60页 |
| ·中高密度人群估计的实验结果与分析 | 第60-65页 |
| ·本章小结 | 第65-66页 |
| 6 结论及展望 | 第66-68页 |
| ·结论 | 第66页 |
| ·展望 | 第66-68页 |
| 参考文献 | 第68-73页 |
| 攻读硕士学位期间发表的论文 | 第73-74页 |
| 致谢 | 第74-75页 |