| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 本文研究的目的及意义 | 第11-12页 |
| 1.1.1 本文研究的目的 | 第11页 |
| 1.1.2 课题研究的意义 | 第11-12页 |
| 1.2 电梯客流统计技术的发展趋势和人脸检测算法的研究现状 | 第12-18页 |
| 1.2.1 电梯客流统计技术的发展趋势 | 第12-14页 |
| 1.2.2 人脸检测技术的国外研究现状 | 第14-16页 |
| 1.2.3 人脸检测技术的国内研究现状 | 第16-18页 |
| 1.3 论文研究的主要内容及结构安排 | 第18-19页 |
| 1.3.1 论文研究的主要内容 | 第18页 |
| 1.3.2 论文的结构安排 | 第18-19页 |
| 1.4 本章小结 | 第19-21页 |
| 第二章 电梯交通流统计方法 | 第21-25页 |
| 2.1 电梯交通流的基本概念 | 第21-22页 |
| 2.1.1 电梯交通流的特点 | 第21页 |
| 2.1.2 时间序列与电梯交通流 | 第21-22页 |
| 2.2 电梯交通流数据的组成 | 第22页 |
| 2.3 电梯交通流数据采集方法 | 第22-23页 |
| 2.4 本章小结 | 第23-25页 |
| 第三章 基于Hough Forests算法的电梯乘客人脸检测 | 第25-43页 |
| 3.1 决策树算法 | 第25-28页 |
| 3.1.1 决策树的基本概念 | 第25-26页 |
| 3.1.2 决策树的生成 | 第26页 |
| 3.1.3 决策树的测试属性选择 | 第26-27页 |
| 3.1.4 决策树的剪枝 | 第27-28页 |
| 3.2 随机森林算法 | 第28-32页 |
| 3.2.1 随机森林的定义 | 第29页 |
| 3.2.2 随机森林的重要概念 | 第29页 |
| 3.2.3 随机森林算法的基本流程 | 第29-31页 |
| 3.2.4 随机森林算法的优缺点 | 第31-32页 |
| 3.3 Hough Forests算法 | 第32-35页 |
| 3.3.1 Hough Forests算法的属性 | 第32-34页 |
| 3.3.2 Hough Forests算法的优点 | 第34-35页 |
| 3.4 基于Hough Forests的人脸检测 | 第35-41页 |
| 3.4.1 Hough Forests的建立 | 第35-40页 |
| 3.4.2 基于Hough Forests的人脸检测试验 | 第40-41页 |
| 3.5 本章小结 | 第41-43页 |
| 第四章 基于Kinect的目标跟踪 | 第43-53页 |
| 4.1 深度图像的获取技术 | 第43-44页 |
| 4.2 Kinect开发环境 | 第44-46页 |
| 4.2.1 实验平台的硬件配置 | 第44-45页 |
| 4.2.2 Kinect深度图像形成的基本原理 | 第45-46页 |
| 4.3 基于Kinect目标跟踪 | 第46-52页 |
| 4.3.1 深度信息滤波 | 第46-50页 |
| 4.3.2 电梯乘客跟踪 | 第50-52页 |
| 4.4 本章小结 | 第52-53页 |
| 第五章 基于Kinect的电梯客流统计方法在交通模式识别中的应用 | 第53-59页 |
| 5.1 电梯交通模式分类 | 第53-54页 |
| 5.2 电梯交通模式识别 | 第54-58页 |
| 5.2.1 交通流训练数据的采集 | 第54-57页 |
| 5.2.2 交通模式识别 | 第57-58页 |
| 5.3 本章小结 | 第58-59页 |
| 第六章 结论 | 第59-61页 |
| 6.1 本文主要结论 | 第59-60页 |
| 6.2 工作研究展望 | 第60页 |
| 6.3 本章小结 | 第60-61页 |
| 参考文献 | 第61-65页 |
| 作者简介 | 第65页 |
| 作者在攻读硕士学位期间发表的学术论文 | 第65-67页 |
| 致谢 | 第67页 |
