| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 第1章 绪论 | 第8-17页 |
| 1.1 研究背景和意义 | 第8-10页 |
| 1.2 国内外相关研究和综述 | 第10-13页 |
| 1.2.1 国内研究现状分析 | 第10-12页 |
| 1.2.2 国外研究现状分析 | 第12-13页 |
| 1.3 问题的总结与分析 | 第13-14页 |
| 1.3.1 高、低空影像选择问题 | 第13-14页 |
| 1.3.2 鲁棒性问题 | 第14页 |
| 1.4 本文主要研究内容 | 第14-15页 |
| 1.5 本文组织结构 | 第15-17页 |
| 第2章 相关基础知识介绍 | 第17-24页 |
| 2.1 背景差法、帧差法、高斯建模法 | 第17-18页 |
| 2.2 HOG+SVM分类 | 第18-20页 |
| 2.3 卷积神经网络和YOLO | 第20-23页 |
| 2.3.1 卷积神经网络 | 第20-21页 |
| 2.3.2 YOLO神经网络 | 第21-23页 |
| 2.4 本章小结 | 第23-24页 |
| 第3章 基于视频数据的行人检测方法 | 第24-36页 |
| 3.1 引言 | 第24页 |
| 3.2 传统行人检测方法的局限性 | 第24-28页 |
| 3.2.1 背景差法、帧差法和高斯建模法 | 第24-26页 |
| 3.2.2 HOG+SVM方法 | 第26-28页 |
| 3.3 结合低秩稀疏矩阵分解和HOG的行人检测算法 | 第28-31页 |
| 3.3.1 基本思想 | 第28-29页 |
| 3.3.2 算法设计 | 第29-31页 |
| 3.4 实验结果与分析 | 第31-35页 |
| 3.4.1 数据集说明 | 第31页 |
| 3.4.2 实验结果及分析 | 第31-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第4章 基于图像数据的行人检测方法 | 第36-47页 |
| 4.1 引言 | 第36页 |
| 4.2 基于改进Fast YOLO的行人检测算法 | 第36-41页 |
| 4.2.1 YOLO的基本思想 | 第36-38页 |
| 4.2.2 Fast YOLO网络的改进 | 第38-41页 |
| 4.3 实验结果与分析 | 第41-44页 |
| 4.3.1 数据集说明 | 第41页 |
| 4.3.2 实验结果及分析 | 第41-44页 |
| 4.4 人群密度 | 第44-46页 |
| 4.5 本章小结 | 第46-47页 |
| 第5章 行人检测处理系统的设计与实现 | 第47-55页 |
| 5.1 行人检测处理系统的体系结构 | 第47-48页 |
| 5.2 焦距与摄像头视角 | 第48-50页 |
| 5.3 系统实现 | 第50-54页 |
| 5.4 本章小结 | 第54-55页 |
| 结论 | 第55-57页 |
| 参考文献 | 第57-62页 |
| 致谢 | 第62页 |