| 摘要 | 第3-4页 |
| ABSTRACT | 第4页 |
| 第一章 绪论 | 第7-11页 |
| 1.1 研究背景及意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-9页 |
| 1.3 本文主要工作与结构 | 第9-11页 |
| 第二章 人数统计相关基础 | 第11-25页 |
| 2.1 HOG和 SVM行人检测算法 | 第11-16页 |
| 2.1.1 HOG特征 | 第11-14页 |
| 2.1.2 支持向量机 | 第14-16页 |
| 2.2 Haar和 Adaboost行人检测算法 | 第16-18页 |
| 2.2.1 Haar特征 | 第16-17页 |
| 2.2.2 Haar特征的扩展 | 第17页 |
| 2.2.3 Adaboost分类器 | 第17-18页 |
| 2.3 纹理特征 | 第18-20页 |
| 2.4 卷积神经网络 | 第20-24页 |
| 2.4.1 卷积神经网络结构 | 第20-23页 |
| 2.4.2 Caffe框架 | 第23-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第三章 图像场景中行人统计算法 | 第25-47页 |
| 3.1 稀疏场景中行人目标识别算法 | 第26-38页 |
| 3.1.1 对行人区域的预判 | 第26-28页 |
| 3.1.2 光照变化对特征提取的影响 | 第28-32页 |
| 3.1.3 栅极损失函数设计 | 第32-34页 |
| 3.1.4 卷积神经网络的结构 | 第34-38页 |
| 3.1.5 分类器的选择 | 第38页 |
| 3.2 密集场景中人群特征回归算法 | 第38-45页 |
| 3.2.1 纹理特征主成分分析 | 第39-43页 |
| 3.2.2 行人密度分布特征图 | 第43-45页 |
| 3.2.3 非稀疏多核回归函数 | 第45页 |
| 3.3 本章小结 | 第45-47页 |
| 第四章 视频场景中行人统计算法 | 第47-55页 |
| 4.1 马尔科夫链 | 第47页 |
| 4.2 k步转移概率 | 第47-48页 |
| 4.3 行人轨迹的获取算法-Meanshift跟踪算法 | 第48-51页 |
| 4.4 遮挡行人的轨迹模型建立 | 第51页 |
| 4.5 建立马尔科夫链 | 第51-52页 |
| 4.6 状态回溯更新与轨迹预测 | 第52-53页 |
| 4.7 本章小结 | 第53-55页 |
| 第五章 实验与结果分析 | 第55-59页 |
| 5.1 实验设置 | 第55-56页 |
| 5.2 实验效果 | 第56-57页 |
| 5.3 结果分析 | 第57-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 参考文献 | 第61-67页 |
| 发表论文和参加科研情况说明 | 第67-69页 |
| 致谢 | 第69页 |