基于视频图像处理的地铁站拥挤风险预测与人群疏散
| 致谢 | 第5-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 绪论 | 第11-19页 |
| 1.1 课题研究的背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.2.1 人群拥挤事故研究现状 | 第12-14页 |
| 1.2.2 视频图像处理研究现状 | 第14-15页 |
| 1.3 研究关键点及难点 | 第15-16页 |
| 1.4 本文的主要内容及结构 | 第16-19页 |
| 2 拥挤风险评判参数确定 | 第19-25页 |
| 2.1 模糊综合评价数学模型法 | 第19-20页 |
| 2.2 事故树分析法 | 第20-22页 |
| 2.3 SCM模型 | 第22-23页 |
| 2.4 本章小结 | 第23-25页 |
| 3 人群密度检测 | 第25-53页 |
| 3.1 图像去干扰 | 第25-28页 |
| 3.1.1 RGB颜色空间 | 第26页 |
| 3.1.2 HSV颜色空间 | 第26-28页 |
| 3.1.3 图像去干扰结果分析 | 第28页 |
| 3.2 人群特征突出 | 第28-30页 |
| 3.2.1 基于最大类间方差算法的人群特征突出 | 第29页 |
| 3.2.2 基于局部阈值算法的人群特征突出 | 第29页 |
| 3.2.3 人群特征突出算法分析与选择 | 第29-30页 |
| 3.3 基于像素统计的人群密度估计 | 第30-42页 |
| 3.3.1 基于四种算子的人群边缘提取 | 第31-36页 |
| 3.3.2 人群边缘提取算法分析与选择 | 第36-41页 |
| 3.3.3 对比分析 | 第41-42页 |
| 3.4 基于Hough圆变换的人群密度估计 | 第42-46页 |
| 3.4.1 Hough变换定义 | 第42-43页 |
| 3.4.2 Hough圆检测实现与实验 | 第43-46页 |
| 3.5 结合纹理分析与神经网络的人群密度估计 | 第46-51页 |
| 3.5.1 纹理分析算法提出的意义 | 第46-47页 |
| 3.5.2 基于灰度共生矩阵的纹理分析算法 | 第47-49页 |
| 3.5.3 神经网络判断库建立 | 第49-50页 |
| 3.5.4 实验结果与分析 | 第50-51页 |
| 3.6 本章小结 | 第51-53页 |
| 4 人群速度检测 | 第53-71页 |
| 4.1 基于均值偏移算法的人群跟踪实现 | 第53-62页 |
| 4.1.1 人群特征描述算法原理 | 第54-55页 |
| 4.1.2 MS偏移过程处理 | 第55-57页 |
| 4.1.3 MS目标跟踪算法实现 | 第57-60页 |
| 4.1.4 实验分析与验证 | 第60-62页 |
| 4.2 基于卡尔曼滤波算法的人群跟踪实现 | 第62-68页 |
| 4.2.1 卡尔曼滤波算法的基本框架 | 第63-64页 |
| 4.2.2 卡尔曼滤波算法的过程实现 | 第64-65页 |
| 4.2.3 基于卡尔曼滤波算法的人群跟踪实现 | 第65页 |
| 4.2.4 实验分析与验证 | 第65-68页 |
| 4.3 本章小结 | 第68-71页 |
| 5 疏散路线设计建议 | 第71-77页 |
| 5.1 西直门地铁站客流研究 | 第71-72页 |
| 5.2 西直门地铁站进出站过程分析 | 第72-73页 |
| 5.3 疏散路线设计建议实现 | 第73-75页 |
| 5.4 本章小结 | 第75-77页 |
| 6 总结与展望 | 第77-79页 |
| 6.1 论文总结 | 第77-78页 |
| 6.2 下一步研究方向 | 第78-79页 |
| 参考文献 | 第79-83页 |
| 作者简历 | 第83-87页 |
| 学位论文数据集 | 第87页 |
