基于卷积神经网络的人群密度估计
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-19页 |
| 1.1 选题背景 | 第10页 |
| 1.2 人群密度分析的研究意义 | 第10-11页 |
| 1.3 国内外研究现状和发展趋势 | 第11-17页 |
| 1.3.1 人群密度等级估计的研究现状 | 第12-14页 |
| 1.3.2 人群人数统计的研究现状 | 第14-15页 |
| 1.3.3 特征分类模型研究现状 | 第15-17页 |
| 1.4 本文的研究内容 | 第17-18页 |
| 1.5 章节安排 | 第18-19页 |
| 第二章 人群密度等级估计相关理论 | 第19-36页 |
| 2.1 特征分析方法介绍 | 第19-25页 |
| 2.1.1 GLDM特征提取算法 | 第20-21页 |
| 2.1.2 LBP特征提取算法 | 第21-24页 |
| 2.1.3 小波分析特征提取算法 | 第24-25页 |
| 2.2 人群密度等级分类 | 第25-35页 |
| 2.2.1 SVM分类器 | 第25-30页 |
| 2.2.2 BP神经网络 | 第30-35页 |
| 2.3 本章小结 | 第35-36页 |
| 第三章 人群密度等级估计的实现 | 第36-43页 |
| 3.1 人群密度估计算法流程 | 第36-37页 |
| 3.2 图像预处理 | 第37-40页 |
| 3.2.1 几何校正 | 第37-38页 |
| 3.2.2 双线性插值 | 第38-40页 |
| 3.3 LBP特征提取 | 第40页 |
| 3.4 SVM分类训练 | 第40-41页 |
| 3.5 实验结果及分析 | 第41-42页 |
| 3.5.1 密度等级检测流程 | 第41页 |
| 3.5.2 实验结果 | 第41-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第四章 人群密度等级估计的改进 | 第43-57页 |
| 4.1 卷积神经网络模型 | 第43-44页 |
| 4.2 网络模型的改进 | 第44-47页 |
| 4.3 网络模型的进一步优化 | 第47-48页 |
| 4.4 实验部分 | 第48-56页 |
| 4.4.1 数据集准备 | 第48-50页 |
| 4.4.2 实验结果及分析 | 第50-54页 |
| 4.4.3 实验对比 | 第54-56页 |
| 4.5 本章小结 | 第56-57页 |
| 第五章 人群人数统计理论及实现 | 第57-62页 |
| 5.1 特征提取 | 第57-58页 |
| 5.1.1 轮廓特征提取 | 第57-58页 |
| 5.1.2 纹理特征提取 | 第58页 |
| 5.2 回归模型 | 第58-60页 |
| 5.2.1 一元线性回归 | 第58页 |
| 5.2.2 多元线性回归 | 第58-60页 |
| 5.3 实验结果及分析 | 第60-61页 |
| 5.4 本章小结 | 第61-62页 |
| 第六章 人群密度估计系统实现 | 第62-68页 |
| 6.1 系统框架结构 | 第62-63页 |
| 6.2 模块功能描述 | 第63-65页 |
| 6.2.1 几何校验模块 | 第63-64页 |
| 6.2.2 检测区域标定模块 | 第64页 |
| 6.2.3 密度等级及人群人数估计 | 第64-65页 |
| 6.3 开发环境 | 第65页 |
| 6.4 系统功能演示 | 第65-67页 |
| 6.5 本章小结 | 第67-68页 |
| 第七章 总结 | 第68-69页 |
| 7.1 本文的主要贡献 | 第68页 |
| 7.2 下一步工作展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-73页 |
| 攻读硕士期间取得的成果 | 第73-74页 |
