监控视频中车辆行为语义分析
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题的研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状及面临问题 | 第12-15页 |
| 1.2.1 国内外研究现状 | 第12-14页 |
| 1.2.2 研究面临的问题 | 第14-15页 |
| 1.3 本文的研究内容和工作安排 | 第15-17页 |
| 第2章 监控视频中运动目标检测 | 第17-29页 |
| 2.1 常用运动目标检测方法 | 第17-21页 |
| 2.1.1 帧差法 | 第17-18页 |
| 2.1.2 光流法 | 第18-20页 |
| 2.1.3 背景差分法 | 第20-21页 |
| 2.2 快速混合高斯模型改进算法 | 第21-28页 |
| 2.2.1 经典混合高斯模型 | 第21-24页 |
| 2.2.2 快速混合高斯模型改进算法 | 第24-28页 |
| 2.3 实验结果与分析 | 第28-29页 |
| 第3章 监控视频中运动目标跟踪 | 第29-43页 |
| 3.1 常用运动目标跟踪方法 | 第29-31页 |
| 3.1.1 基于区域的跟踪方法 | 第29-30页 |
| 3.1.2 基于特征的跟踪方法 | 第30页 |
| 3.1.3 基于模型的跟踪方法 | 第30页 |
| 3.1.4 基于动态轮廓的跟踪方法 | 第30-31页 |
| 3.2 camshift运动目标跟踪算法 | 第31-37页 |
| 3.2.1 直方图反向投影 | 第31-33页 |
| 3.2.2 mean-shift算法原理 | 第33-35页 |
| 3.2.3 camshift跟踪算法 | 第35-37页 |
| 3.3 基于Kalman滤波器的改进跟踪算法 | 第37-41页 |
| 3.3.1 Kalman滤波算法 | 第37-38页 |
| 3.3.2 基于kalman滤波器的改进跟踪算法 | 第38-41页 |
| 3.4 实验结果与分析 | 第41-43页 |
| 第4章 基于跟踪轨迹的车辆异常行为检测 | 第43-53页 |
| 4.1 轨迹数据预处理 | 第43-44页 |
| 4.2 最小二乘法自适应分段拟合算法 | 第44-47页 |
| 4.2.1 最小二乘法原理 | 第45页 |
| 4.2.2 自适应分段拟合算法 | 第45-47页 |
| 4.3 基于跟踪轨迹的车辆异常行为检测 | 第47-49页 |
| 4.3.1 车辆运动特征提取 | 第47-49页 |
| 4.3.2 车辆异常行为分析 | 第49页 |
| 4.4 实验结果与分析 | 第49-53页 |
| 第5章 基于SVM的车辆行为语义分析 | 第53-63页 |
| 5.1 SVM基本理论 | 第53-57页 |
| 5.1.1 线性SVM | 第53-55页 |
| 5.1.2 非线性SVM | 第55-57页 |
| 5.2 基于SVM的车辆行为分析 | 第57-60页 |
| 5.2.1 SVM特征向量选取 | 第57-59页 |
| 5.2.2 SVM分类器的生成 | 第59-60页 |
| 5.3 实验结果与分析 | 第60-63页 |
| 第6章 总结与展望 | 第63-65页 |
| 6.1 工作总结 | 第63页 |
| 6.2 未来工作展望 | 第63-65页 |
| 参考文献 | 第65-71页 |
| 作者简介及科研成果 | 第71-73页 |
| 致谢 | 第73页 |
