| 中文摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 引言 | 第8-17页 |
| 1.1 研究背景与意义 | 第8页 |
| 1.2 国内外算法综述 | 第8-14页 |
| 1.2.1 基于检测的人群统计方法——直接法 | 第9-11页 |
| 1.2.2 基于回归的人群统计方法——间接法 | 第11-14页 |
| 1.3 论文的主要研究内容 | 第14-15页 |
| 1.4 论文的结构 | 第15-17页 |
| 第二章 人群统计相关原理与数据库选择 | 第17-33页 |
| 2.1 前景提取 | 第17-26页 |
| 2.1.1 帧差法 | 第17-20页 |
| 2.1.2 光流法 | 第20-21页 |
| 2.1.3 背景相消法 | 第21-26页 |
| 2.2 聚类算法 | 第26-30页 |
| 2.2.1 K-Means聚类算法 | 第26-27页 |
| 2.2.2 Mean-Shift聚类算法 | 第27-30页 |
| 2.2.3 Dirichlet过程混合模型聚类算法 | 第30页 |
| 2.3 数据库选择 | 第30-31页 |
| 2.4 本章小结 | 第31-33页 |
| 第三章 基于可变形部件模型的人群统计方法设计 | 第33-64页 |
| 3.1 基于可变行部件模型的行人检测器 | 第33-49页 |
| 3.1.1 可变形部件模型 | 第33-38页 |
| 3.1.2 混合模型 | 第38页 |
| 3.1.3 HOG特征提取与改进 | 第38-42页 |
| 3.1.4 模型训练 | 第42-46页 |
| 3.1.5 基于图像金字塔的多尺度检测模型 | 第46-47页 |
| 3.1.6 模型的匹配 | 第47-49页 |
| 3.2 迪迪克雷过程混合模型聚类方法 | 第49-54页 |
| 3.2.1 迪迪克雷分布 | 第49-50页 |
| 3.2.2 迪迪克雷过程 | 第50-51页 |
| 3.2.3 迪迪克雷过程的构造 | 第51-54页 |
| 3.2.4 迪迪克雷过程混合模型 | 第54页 |
| 3.3 基于可变形部件模型人群统计方法设计方案 | 第54-59页 |
| 3.3.1 行人检测与检测候选框预处理 | 第55-56页 |
| 3.3.2 基于迪迪克雷过程混合模型的聚类 | 第56-58页 |
| 3.3.3 改进型基于角点的人群统计 | 第58-59页 |
| 3.3.4 数据融合 | 第59页 |
| 3.4 实验结果 | 第59-63页 |
| 3.4.1 实验数据与性能分析 | 第59-60页 |
| 3.4.2 数据与分析 | 第60-63页 |
| 3.5 本章小结 | 第63-64页 |
| 第四章 基于特征点数量与人群密度相关性的鲁棒人群统计方法设计 | 第64-84页 |
| 4.1 基于累积通道特征的行人检测器 | 第64-74页 |
| 4.1.1 累计通道特征行人检测器算法框架 | 第64-65页 |
| 4.1.2 累计通道特征 | 第65-67页 |
| 4.1.3 特征金字塔的快速构建 | 第67-71页 |
| 4.1.4 分类器的使用 | 第71-74页 |
| 4.2 基于高斯混合模型的前景提取 | 第74-77页 |
| 4.2.1 建立混合高斯模型 | 第74-75页 |
| 4.2.2 混合高斯模型参数初始化与更新 | 第75-76页 |
| 4.2.3 混合高斯模型前后景判断 | 第76-77页 |
| 4.3 基于特征点数量与人群密度相关性的人群统计方法设计方案 | 第77-80页 |
| 4.3.1 基于累计通道特征的行人检测 | 第77-78页 |
| 4.3.2 基于混合高斯模型的检测框预处理 | 第78页 |
| 4.3.3 基于迪迪克雷混合模型的聚类与基于角点的人群预计数 | 第78页 |
| 4.3.4 基于特征点数量与人群密度相关性的人群密度估计 | 第78-79页 |
| 4.3.5 基于上下文的数据融合 | 第79-80页 |
| 4.4 实验与分析 | 第80-83页 |
| 4.5 本章小结 | 第83-84页 |
| 总结与展望 | 第84-86页 |
| 参考文献 | 第86-89页 |
| 致谢 | 第89-90页 |
| 个人简历、在学期间的研究成果及发表的学术论文 | 第90页 |
