基于机器视觉的行人运动轨迹识别研究
| 摘要 | 第1-5页 |
| Abstract | 第5-10页 |
| 1 绪论 | 第10-16页 |
| ·引言 | 第10-11页 |
| ·研究的目的和意义 | 第11-12页 |
| ·国内外的研究现状 | 第12-13页 |
| ·行人检测的研究现状 | 第12页 |
| ·行人识别的研究现状 | 第12-13页 |
| ·行人跟踪的研究现状 | 第13页 |
| ·研究的应用 | 第13-14页 |
| ·无人车、智能车领域 | 第13页 |
| ·视频监控系统 | 第13-14页 |
| ·人机交互 | 第14页 |
| ·本文研究的主要内容 | 第14-16页 |
| 2 行人运动分析方法综述 | 第16-33页 |
| ·行人图像的获取 | 第16-17页 |
| ·图像预处理 | 第17-20页 |
| ·图像平滑的常用算法 | 第17-18页 |
| ·图像增强的常用算法 | 第18页 |
| ·图像锐化的常用算子 | 第18-20页 |
| ·腐蚀与膨胀 | 第20页 |
| ·行人检测的常用算法 | 第20-22页 |
| ·背景减除法 | 第21页 |
| ·光流法 | 第21-22页 |
| ·行人识别的常用算法 | 第22-28页 |
| ·模板匹配 | 第22-24页 |
| ·决策树 | 第24-25页 |
| ·人工神经网络 | 第25-26页 |
| ·K最近邻域 | 第26-27页 |
| ·支持向量机SVM | 第27页 |
| ·基于关联规则的分类算法 | 第27-28页 |
| ·行人跟踪的常用算法 | 第28-31页 |
| ·基于轮廓的跟踪算法 | 第28-29页 |
| ·基于模型的跟踪算法 | 第29页 |
| ·基于特征的跟踪算法 | 第29页 |
| ·基于区域的跟踪算法 | 第29-30页 |
| ·基于小波特征的跟踪算法 | 第30页 |
| ·Kalman滤波 | 第30-31页 |
| ·优化搜索方向的算法 | 第31页 |
| ·本章小结 | 第31-33页 |
| 3 基于改进型帧差法的行人存在检测 | 第33-40页 |
| ·普通帧差法 | 第33页 |
| ·改进型帧差法 | 第33-35页 |
| ·运动区域提取 | 第35-36页 |
| ·软件平台的实现 | 第36-39页 |
| ·本章小结 | 第39-40页 |
| 4. 基于多特征级联分类器的行人识别 | 第40-49页 |
| ·基于机器学习的算法 | 第40-43页 |
| ·特征提取 | 第40页 |
| ·Haar特征 | 第40-41页 |
| ·edgelet特征 | 第41-42页 |
| ·HOG特征 | 第42页 |
| ·LBP特征 | 第42-43页 |
| ·识别的性能评估 | 第43-44页 |
| ·级联分类器 | 第44-46页 |
| ·实验结果展示 | 第46-48页 |
| ·实验结果 | 第46-48页 |
| ·实验结论 | 第48页 |
| ·本章小结 | 第48-49页 |
| 5 基于分类器和粒子滤波的运动轨迹跟踪 | 第49-58页 |
| ·行人运动轨迹跟踪的任务 | 第49-51页 |
| ·跟踪算法 | 第51-55页 |
| ·贝叶斯算法 | 第51-52页 |
| ·扩展Kalman滤波 | 第52-53页 |
| ·粒子滤波 | 第53-55页 |
| ·行人运动轨迹跟踪 | 第55页 |
| ·实验结果展示 | 第55-57页 |
| ·本章小结 | 第57-58页 |
| 6 总结与展望 | 第58-60页 |
| ·全文总结 | 第58页 |
| ·未来工作的展望 | 第58-60页 |
| 参考文献 | 第60-63页 |
| 攻读硕士学位期间发表的论文 | 第63-64页 |
| 致谢 | 第64-66页 |
