基于深度学习的人流量统计
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 研究背景 | 第8页 |
| 1.2 研究意义 | 第8-9页 |
| 1.3 研究现状 | 第9-10页 |
| 1.4 主要研究内容 | 第10-12页 |
| 第二章 视频处理技术 | 第12-23页 |
| 2.1 运动检测 | 第12-15页 |
| 2.2 行人识别 | 第15-18页 |
| 2.3 行人跟踪方法 | 第18-22页 |
| 2.4 本章小结 | 第22-23页 |
| 第三章 深度学习技术 | 第23-36页 |
| 3.1 深度网络的优势及目前的困难 | 第23-25页 |
| 3.2 BP算法及传统的机器学习 | 第25-26页 |
| 3.3 自编码器和稀疏编码器 | 第26-31页 |
| 3.4 卷积神经网络和深度信念网络 | 第31-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 基于深度学习的人流量统计的研究 | 第36-46页 |
| 4.1 基于深度学习的人流量统计系统的设计 | 第36-37页 |
| 4.2 视频处理提取行人图片 | 第37-38页 |
| 4.3 卷积神经网络模型 | 第38-45页 |
| 4.3.1 行人数据集 | 第39-40页 |
| 4.3.2 基于卷积神经网络的行人识别 | 第40-43页 |
| 4.3.3 与浅层神经网络的识别率比较 | 第43-44页 |
| 4.3.4 针对不同分辨率数据集进行比较 | 第44-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 基于深度学习的人流量统计的实现 | 第46-54页 |
| 5.1 实验配置 | 第46页 |
| 5.2 行人跟踪方法 | 第46-51页 |
| 5.3 人流量统计的指标 | 第51页 |
| 5.4 人流量统计结果 | 第51-53页 |
| 5.5 本章小结 | 第53-54页 |
| 总结与展望 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 致谢 | 第59页 |
