面向复杂公共区域的群体聚集性计算方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第11-20页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.3 本文主要研究内容 | 第16-18页 |
| 1.4 本文的组织结构 | 第18-20页 |
| 2 相关技术 | 第20-31页 |
| 2.1 KLT跟踪算法 | 第20-23页 |
| 2.2 卷积神经网络 | 第23-30页 |
| 2.3 本章小结 | 第30-31页 |
| 3 基于运动目标轨迹信息的群体聚集状态计算 | 第31-48页 |
| 3.1 公共场景特征点提取 | 第31-33页 |
| 3.2 基于图方法的场景特征点聚类 | 第33-34页 |
| 3.3 群体聚集性描述子计算 | 第34-36页 |
| 3.4 实验与结果分析 | 第36-42页 |
| 3.4.1 群体聚类结果 | 第37页 |
| 3.4.2 聚类参数分析 | 第37-40页 |
| 3.4.3 群体描述子分析 | 第40-42页 |
| 3.5 群体聚集性描述子在不同场景下的应用 | 第42-46页 |
| 3.5.1 人群运动演化分析 | 第42-44页 |
| 3.5.2 人群异常状态检测 | 第44-46页 |
| 3.6 本章小结 | 第46-48页 |
| 4 面向群体聚集状态计算的行人目标跟踪 | 第48-66页 |
| 4.1 基于卷积神经网络的行人目标检测 | 第48-53页 |
| 4.2 基于卡尔曼滤波的遮挡行人预测 | 第53-57页 |
| 4.3 基于相似度计算的行人目标关联 | 第57-58页 |
| 4.4 实验与结果分析 | 第58-65页 |
| 4.4.1 实验数据集 | 第58-59页 |
| 4.4.2 实验设置 | 第59-60页 |
| 4.4.3 结果分析 | 第60-65页 |
| 4.5 本章小结 | 第65-66页 |
| 5 总结与展望 | 第66-68页 |
| 5.1 论文总结 | 第66页 |
| 5.2 未来展望 | 第66-68页 |
| 参考文献 | 第68-73页 |
| 个人简历、在学期间发表的学术论文与研究成果 | 第73-74页 |
| 致谢 | 第74页 |
