基于真实交通场景的行人计数
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第11-14页 |
| 1.1 课题研究背景与意义 | 第11页 |
| 1.2 国内外研究现状与方法概述 | 第11-12页 |
| 1.3 本文需要解决的主要问题 | 第12-13页 |
| 1.4 本文研究内容与章节安排 | 第13-14页 |
| 第二章 行人计数相关算法 | 第14-36页 |
| 2.1 基于运动信息的行人检测方法 | 第14-19页 |
| 2.1.1 算法介绍 | 第14-16页 |
| 2.1.2 实验结果与分析 | 第16-19页 |
| 2.2 基于静态图像特征的行人检测方法 | 第19-23页 |
| 2.2.1 Haar特征 | 第19-20页 |
| 2.2.2 LBP特征 | 第20-21页 |
| 2.2.3 HOG特征 | 第21-23页 |
| 2.3 行人识别算法 | 第23-30页 |
| 2.3.1 神经网络 | 第23-25页 |
| 2.3.2 SVM支持向量机 | 第25-27页 |
| 2.3.3 基于弱分类器的集成学习 | 第27-30页 |
| 2.4 基于目标跟踪的行人计数方法 | 第30-34页 |
| 2.4.1 Kalman滤波目标跟踪算法 | 第30-32页 |
| 2.4.2 Kalman滤波器参数设定 | 第32-33页 |
| 2.4.3 MeanShift目标跟踪算法 | 第33-34页 |
| 2.5 本章小结 | 第34-36页 |
| 第三章 场景自适应行人跟踪计数 | 第36-44页 |
| 3.1 基于LBP-HOG联合特征的行人检测 | 第36-38页 |
| 3.2 基于CNN卷积神经网络的行人检测 | 第38-39页 |
| 3.3 基于卡尔曼滤波的场景自适应行人跟踪计数 | 第39-42页 |
| 3.3.1 场景自适应行人检测 | 第39-40页 |
| 3.3.2 行人检测与跟踪匹配 | 第40-41页 |
| 3.3.3 行人跟踪主要问题与解决方法 | 第41页 |
| 3.3.4 行人跟踪计数算法流程 | 第41-42页 |
| 3.4 本章小结 | 第42-44页 |
| 第四章 实验结果与分析 | 第44-54页 |
| 4.1 数据集介绍 | 第44页 |
| 4.2 数据评估依据 | 第44-45页 |
| 4.3 实验结果与分析 | 第45-53页 |
| 4.3.1 特征对比分析 | 第45-48页 |
| 4.3.2 SVM对比分析 | 第48-49页 |
| 4.3.3 行人识别效果分析 | 第49-51页 |
| 4.3.4 区域自适应行人跟踪计数分析 | 第51-53页 |
| 4.4 本章小结 | 第53-54页 |
| 总结与展望 | 第54-56页 |
| 参考文献 | 第56-61页 |
| 攻读硕士学位期间发表的论文与参与项目 | 第61-63页 |
| 致谢 | 第63-64页 |
| 附录 | 第64-67页 |
