| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景与意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 智能视频监控系统概述 | 第12-14页 |
| 1.2.2 运动目标检测研究现状 | 第14-15页 |
| 1.2.3 运动目标跟踪研究现状 | 第15-16页 |
| 1.2.4 滞留物品检测研究现状 | 第16页 |
| 1.3 论文章节安排 | 第16-19页 |
| 第二章 扶梯智能视频监控系统方案设计 | 第19-28页 |
| 2.1 扶梯智能视频监控系统需求分析 | 第19-20页 |
| 2.2 扶梯智能视频监控系统方案设计 | 第20-25页 |
| 2.2.1 整体框架设计 | 第20-22页 |
| 2.2.2 系统硬件平台选型 | 第22-24页 |
| 2.2.3 系统软件框架方案设计 | 第24-25页 |
| 2.3 系统开发环境配置 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于形心跟踪的大件滞留物品检测方法 | 第28-42页 |
| 3.1 常用背景建模方法 | 第28-36页 |
| 3.1.1 平均背景法 | 第28-30页 |
| 3.1.2 高斯背景法 | 第30-32页 |
| 3.1.3 码书算法 | 第32-34页 |
| 3.1.4 本文采用的方法及改进 | 第34-36页 |
| 3.2 基于形心跟踪的大件滞留物品检测 | 第36-41页 |
| 3.2.1 图像滤波 | 第37-38页 |
| 3.2.2 图像形态学处理 | 第38-39页 |
| 3.2.3 前景物体跟踪 | 第39-41页 |
| 3.2.4 实验仿真结果及分析 | 第41页 |
| 3.3 本章小结 | 第41-42页 |
| 第四章 基于HOG和AdaBoost的乘客人头检测方法 | 第42-54页 |
| 4.1 HOG特征描述 | 第42-44页 |
| 4.2 AdaBoost算法原理介绍 | 第44-48页 |
| 4.2.1 弱分类器 | 第44-45页 |
| 4.2.2 AdaBoost强分类器 | 第45-46页 |
| 4.2.3 级联分类器 | 第46-48页 |
| 4.3 实验仿真结果及分析 | 第48-53页 |
| 4.3.1 制作样本和标签 | 第48-50页 |
| 4.3.2 模型训练与实验分析 | 第50-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 基于邻帧匹配和卡尔曼滤波的乘客跟踪方法 | 第54-69页 |
| 5.1 常用跟踪方法及运用场景分析 | 第54-57页 |
| 5.1.1 常用视频运动目标跟踪方法 | 第54-56页 |
| 5.1.2 扶梯应用场景分析 | 第56-57页 |
| 5.2 基于邻帧匹配和卡尔曼滤波的乘客跟踪方法 | 第57-66页 |
| 5.2.1 卡尔曼滤波器 | 第57-59页 |
| 5.2.2 卡尔曼滤波跟踪预测 | 第59-61页 |
| 5.2.3 邻帧匹配算法 | 第61-64页 |
| 5.2.4 跟踪算法流程 | 第64-65页 |
| 5.2.5 客流计数 | 第65-66页 |
| 5.3 实验仿真结果及分析 | 第66-68页 |
| 5.4 本章小结 | 第68-69页 |
| 第六章 系统软件实现与测试 | 第69-82页 |
| 6.1 系统软件实现 | 第69-76页 |
| 6.1.1 系统软件概述 | 第69-71页 |
| 6.1.2 视频采集 | 第71-72页 |
| 6.1.3 视频显示 | 第72-73页 |
| 6.1.4 视频循环录制 | 第73-75页 |
| 6.1.5 音频保存 | 第75-76页 |
| 6.2 系统测试结果及分析 | 第76-81页 |
| 6.2.1 系统检测效果测试 | 第76-79页 |
| 6.2.2 CAN总线通信测试 | 第79-81页 |
| 6.3 本章小结 | 第81-82页 |
| 结论与展望 | 第82-84页 |
| 1. 本文主要完成工作 | 第82-83页 |
| 2. 本文研究中的不足与展望 | 第83-84页 |
| 参考文献 | 第84-88页 |
| 攻读硕士学位期间取得的研究成果 | 第88-89页 |
| 致谢 | 第89-90页 |
| 附件 | 第90页 |