基于机器学习的嵌入式公交客流统计系统
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文内容与结构安排 | 第13-16页 |
| 第二章 公交客流统计系统概述 | 第16-22页 |
| 2.1 前言 | 第16页 |
| 2.2 系统需求分析 | 第16-17页 |
| 2.3 系统硬件平台介绍 | 第17-20页 |
| 2.3.1 ADSP-BF609芯片介绍 | 第17-19页 |
| 2.3.2 CCES开发环境介绍 | 第19-20页 |
| 2.4 系统软件算法介绍 | 第20-21页 |
| 2.4.1 乘客检测算法 | 第20页 |
| 2.4.2 乘客跟踪算法 | 第20-21页 |
| 2.4.3 乘客计数算法 | 第21页 |
| 2.5 本章小结 | 第21-22页 |
| 第三章 乘客检测算法研究与实现 | 第22-44页 |
| 3.1 前言 | 第22页 |
| 3.2 相关目标检测算法 | 第22-31页 |
| 3.2.1 背景差分法 | 第22-24页 |
| 3.2.2 Hough圆检测法 | 第24-25页 |
| 3.2.3 Haar特征检测法 | 第25-26页 |
| 3.2.4 基于深度学习的目标检测 | 第26-31页 |
| 3.3 基于HOG和SVM的乘客检测算法 | 第31-43页 |
| 3.3.1 HOG特征描述子 | 第32-35页 |
| 3.3.2 SVM分类器 | 第35-41页 |
| 3.3.3 构建人头样本库 | 第41-42页 |
| 3.3.4 训练分类模型 | 第42-43页 |
| 3.4 本章小结 | 第43-44页 |
| 第四章 乘客跟踪算法研究与实现 | 第44-62页 |
| 4.1 前言 | 第44页 |
| 4.2 相关目标跟踪算法 | 第44-49页 |
| 4.2.1 Camshift算法 | 第44-45页 |
| 4.2.2 Kalman滤波 | 第45-46页 |
| 4.2.3 光流运动检测 | 第46-49页 |
| 4.3 基于KCF的乘客跟踪算法 | 第49-60页 |
| 4.3.1 KCF算法原理 | 第49-55页 |
| 4.3.2 乘客目标的在线学习 | 第55-57页 |
| 4.3.3 乘客目标的位置更新 | 第57-60页 |
| 4.4 本章小结 | 第60-62页 |
| 第五章 公交客流系统的实现与验证 | 第62-72页 |
| 5.1 前言 | 第62页 |
| 5.2 乘客计数算法 | 第62-67页 |
| 5.2.1 数据关联算法 | 第62-66页 |
| 5.2.2 乘客轨迹分析 | 第66-67页 |
| 5.3 系统效果验证 | 第67-70页 |
| 5.3.1 系统的安装 | 第67-68页 |
| 5.3.2 系统效果验证 | 第68-70页 |
| 5.4 本章小结 | 第70-72页 |
| 第六章 总结展望 | 第72-74页 |
| 6.1 工作总结 | 第72页 |
| 6.2 工作展望 | 第72-74页 |
| 致谢 | 第74-76页 |
| 参考文献 | 第76-79页 |
