智能视频监控中人流量问题的研究
| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第15-20页 |
| 1.1 研究背景及意义 | 第15-16页 |
| 1.1.1 课题背景及来源 | 第15-16页 |
| 1.1.2 研究意义 | 第16页 |
| 1.2 国内外研究现状 | 第16-19页 |
| 1.3 本文主要研究内容 | 第19-20页 |
| 第二章 图像前景提取 | 第20-31页 |
| 2.1 图像采集及预处理 | 第20-21页 |
| 2.1.1 图像采集 | 第20页 |
| 2.1.2 图像灰度化 | 第20-21页 |
| 2.2 前景目标提取 | 第21-28页 |
| 2.2.1 帧差法 | 第22-23页 |
| 2.2.2 光流法 | 第23-24页 |
| 2.2.3 背景差法 | 第24-28页 |
| 2.3 形态学处理 | 第28-29页 |
| 2.3.1 形态学基础 | 第28页 |
| 2.3.2 形态学滤波及区域填充 | 第28-29页 |
| 2.3.3 形态学操作实验结果 | 第29页 |
| 2.4 本章小结 | 第29-31页 |
| 第三章 基于支持向量机的人群密度分类 | 第31-52页 |
| 3.1 人群密度特征提取 | 第31-40页 |
| 3.1.1 基于像素统计的人群密度特征 | 第31-33页 |
| 3.1.2 基于图像纹理的人群密度特征 | 第33-35页 |
| 3.1.3 基于灰度共生矩阵的人群密度特征 | 第35-40页 |
| 3.2 支持向量机 | 第40-46页 |
| 3.2.1 支持向量机基础 | 第40-42页 |
| 3.2.2 支持向量机多类分类问题 | 第42-46页 |
| 3.3 基于粒子群算法的决策树SVM多分类方法 | 第46-49页 |
| 3.3.1 基于粒子群聚类的决策树生成算法 | 第46-47页 |
| 3.3.2 粒子群聚类算法设计 | 第47-49页 |
| 3.4 实验结果 | 第49-51页 |
| 3.5 本章小结 | 第51-52页 |
| 第四章 人数统计方法研究 | 第52-66页 |
| 4.1 基于前景像素的人数拟合 | 第53-59页 |
| 4.1.1 透视畸形校正 | 第54-55页 |
| 4.1.2 最小二乘拟合 | 第55-57页 |
| 4.1.3 实验结果 | 第57-59页 |
| 4.2 高密度人群计数方法 | 第59-65页 |
| 4.2.1 图像ALBP特征 | 第60-62页 |
| 4.2.2 人数回归模型建立 | 第62-64页 |
| 4.2.3 实验操作 | 第64-65页 |
| 4.3 本章小结 | 第65-66页 |
| 第五章 总结与展望 | 第66-68页 |
| 5.1 本文主要工作总结 | 第66页 |
| 5.2 工作展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第72-73页 |
