视频监控中的目标计数方法研究
| 摘要 | 第5-7页 |
| ABSTRACT | 第7-9页 |
| 第一章 绪论 | 第18-26页 |
| 1.1 研究背景及意义 | 第18-19页 |
| 1.2 目标计数方法研究现状 | 第19-22页 |
| 1.3 目标计数方法存在的问题 | 第22页 |
| 1.4 本文的工作 | 第22-23页 |
| 1.5 论文组织结构 | 第23-26页 |
| 第二章 相关研究综述 | 第26-58页 |
| 2.1 引言 | 第26页 |
| 2.2 基于检测的计数方法 | 第26-27页 |
| 2.3 基于聚类的计数方法 | 第27-28页 |
| 2.4 基于区域回归的计数方法 | 第28-42页 |
| 2.4.1 总体框架 | 第28页 |
| 2.4.2 前景区域分割 | 第28-32页 |
| 2.4.3 透视校正 | 第32页 |
| 2.4.4 特征提取 | 第32-40页 |
| 2.4.5 回归计数 | 第40-42页 |
| 2.5 基于密度估计的计数方法 | 第42-50页 |
| 2.5.1 总体框架 | 第43-44页 |
| 2.5.2 典型基于深度学习的计数算法介绍 | 第44-50页 |
| 2.6 常用数据集及评价标准 | 第50-55页 |
| 2.6.1 常用数据集 | 第51-55页 |
| 2.6.2 评价标准 | 第55页 |
| 2.7 本章小结 | 第55-58页 |
| 第三章 压缩域视频车辆计数 | 第58-78页 |
| 3.1 引言 | 第58-59页 |
| 3.2 压缩域介绍 | 第59-63页 |
| 3.2.1 视频编码标准发展历史 | 第59页 |
| 3.2.2 H.264视频编码基本框架 | 第59-60页 |
| 3.2.3 H.264视频编码中的关键技术 | 第60-63页 |
| 3.3 压缩域车辆计数 | 第63-71页 |
| 3.3.1 模型框架 | 第63-64页 |
| 3.3.2 数据预处理 | 第64-67页 |
| 3.3.3 特征提取 | 第67-70页 |
| 3.3.4 基于分层分类模型的回归计数 | 第70-71页 |
| 3.4 实验结果与分析 | 第71-76页 |
| 3.4.1 数据集 | 第72-73页 |
| 3.4.2 分类结果 | 第73-74页 |
| 3.4.3 计数结果 | 第74-76页 |
| 3.4.4 时间复杂度分析 | 第76页 |
| 3.5 本章小结 | 第76-78页 |
| 第四章 基于空间与时间回归的压缩域车辆精确计数 | 第78-88页 |
| 4.1 引言 | 第78页 |
| 4.2 基于空间与时间回归的压缩域车辆计数模型 | 第78-82页 |
| 4.2.1 空间维度回归 | 第79-80页 |
| 4.2.2 时间维度回归 | 第80-82页 |
| 4.3 实验结果与分析 | 第82-87页 |
| 4.3.1 数据集 | 第82-83页 |
| 4.3.2 实验设置 | 第83页 |
| 4.3.3 性能分析 | 第83-86页 |
| 4.3.4 压缩域行人计数探究 | 第86-87页 |
| 4.4 本章小结 | 第87-88页 |
| 第五章 基于卷积神经网络的图像目标计数 | 第88-106页 |
| 5.1 引言 | 第88-89页 |
| 5.2 卷积神经网络介绍 | 第89-95页 |
| 5.2.1 深度学习概述 | 第89页 |
| 5.2.2 卷积神经网络模型 | 第89-93页 |
| 5.2.3 模型优化算法 | 第93-95页 |
| 5.3 金字塔目标计数网络 | 第95-99页 |
| 5.3.1 模型框架 | 第95-98页 |
| 5.3.2 模型训练 | 第98-99页 |
| 5.4 实验结果与分析 | 第99-105页 |
| 5.4.1 UCSD行人数据集 | 第100-102页 |
| 5.4.2 Mall数据集 | 第102-103页 |
| 5.4.3 Shanghaitech-B数据集 | 第103页 |
| 5.4.4 TRANCOS数据集 | 第103-105页 |
| 5.5 本章小结 | 第105-106页 |
| 第六章 总结与展望 | 第106-110页 |
| 6.1 本文总结 | 第106-107页 |
| 6.2 研究展望 | 第107-110页 |
| 参考文献 | 第110-120页 |
| 致谢 | 第120-122页 |
| 在读期间发表的学术论文与取得的研究成果 | 第122页 |
