| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 研究现状 | 第13-14页 |
| 1.3 本文研究内容及章节安排 | 第14-18页 |
| 第二章 基于运动分析的行人检测方法 | 第18-28页 |
| 2.1 引言 | 第18页 |
| 2.2 OpenCV简介 | 第18-19页 |
| 2.3 帧间差分法 | 第19-20页 |
| 2.4 光流法 | 第20-22页 |
| 2.5 背景差分法 | 第22-26页 |
| 2.5.1 平均背景模型 | 第22-23页 |
| 2.5.2 混合高斯模型 | 第23-26页 |
| 2.6 本章小结 | 第26-28页 |
| 第三章 基于改进HOG-LBP特征的行人检测方法 | 第28-40页 |
| 3.1 引言 | 第28页 |
| 3.2 方法原理 | 第28-35页 |
| 3.2.1 HOG特征提取 | 第29-30页 |
| 3.2.2 HOG特征选择 | 第30-32页 |
| 3.2.3 LBP特征提取 | 第32页 |
| 3.2.4 HOG-LBP特征融合 | 第32-33页 |
| 3.2.5 支持向量机 | 第33-35页 |
| 3.2.6 行人检测 | 第35页 |
| 3.3 实验结果与分析 | 第35-37页 |
| 3.3.1 数据集和实验环境 | 第35-36页 |
| 3.3.2 评价指标 | 第36页 |
| 3.3.3 实验结果分析 | 第36-37页 |
| 3.4 本章小结 | 第37-40页 |
| 第四章 结合BING预测和DPM识别的行人检测方法 | 第40-56页 |
| 4.1 引言 | 第40-41页 |
| 4.2 基于BING方法的目标窗口预测 | 第41-45页 |
| 4.2.1 BING方法原理 | 第42页 |
| 4.2.2 模型获取 | 第42-43页 |
| 4.2.3 滤波得分的获取 | 第43-45页 |
| 4.3 基于DPM的行人识别 | 第45-52页 |
| 4.3.1 特征提取 | 第46页 |
| 4.3.2 Latent SVM原理 | 第46-47页 |
| 4.3.3 非极大值抑制 | 第47-48页 |
| 4.3.4 参数优化 | 第48-51页 |
| 4.3.5 DPM行人检测 | 第51-52页 |
| 4.4 实验结果与分析 | 第52-54页 |
| 4.4.1 数据集和实验环境 | 第52页 |
| 4.4.2 实验结果分析 | 第52-54页 |
| 4.5 本章小结 | 第54-56页 |
| 第五章 人流量检测系统设计与实现 | 第56-62页 |
| 5.1 引言 | 第56页 |
| 5.2 行人跟踪 | 第56-59页 |
| 5.2.1 经典mean-shift跟踪 | 第56-58页 |
| 5.2.2 结合Kalman滤波器的mean-shift跟踪 | 第58-59页 |
| 5.3 行人统计 | 第59-60页 |
| 5.4 实验结果与分析 | 第60-61页 |
| 5.5 本章小结 | 第61-62页 |
| 第六章 总结与展望 | 第62-64页 |
| 6.1 论文工作总结 | 第62-63页 |
| 6.2 展望 | 第63-64页 |
| 致谢 | 第64-66页 |
| 参考文献 | 第66-70页 |
| 作者简历 | 第70页 |