基于D-S证据理论的融合算法及其在交通事件检测中的应用
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第9-14页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 国内外的发展状况 | 第10-12页 |
| 1.2.1 融合技术在国内外的发展状况 | 第10-12页 |
| 1.2.2 交通事件检测技术在国内外的发展状况 | 第12页 |
| 1.3 本文的主要研究内容及结构安排 | 第12-14页 |
| 第二章 基于D-S证据理论的融合技术 | 第14-26页 |
| 2.1 数据融合概述 | 第14-15页 |
| 2.2 数据融合方式 | 第15-18页 |
| 2.2.1 数据层融合 | 第15-16页 |
| 2.2.2 特征层融合 | 第16页 |
| 2.2.3 决策层融合 | 第16-18页 |
| 2.3 数据融合方法分类 | 第18-19页 |
| 2.4 D-S证据理论 | 第19-20页 |
| 2.5 D-S证据理论的基本概念 | 第20-25页 |
| 2.5.1 识别框架 | 第20页 |
| 2.5.2 基本概率分配函数 | 第20-21页 |
| 2.5.3 信任函数 | 第21页 |
| 2.5.4 似然函数 | 第21-22页 |
| 2.5.5 D-S证据理论的合成规则 | 第22-24页 |
| 2.5.6 证据理论的决策方法 | 第24-25页 |
| 2.6 本章小结 | 第25-26页 |
| 第三章 改进的D-S证据理论 | 第26-36页 |
| 3.1 冲突出现的原因 | 第26-27页 |
| 3.2 证据理论的修正 | 第27-30页 |
| 3.2.1 针对证据源的修正算法 | 第27-28页 |
| 3.2.2 针对合成规则的修正 | 第28-30页 |
| 3.3 基于证据源的改进算法 | 第30-35页 |
| 3.3.1 证据距离与不确定度相结合的改进算法 | 第30-34页 |
| 3.3.2 基于K-L距离的可信度 | 第34-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第四章D-S证据理论在隧道火灾检测中的应用 | 第36-49页 |
| 4.1 背景提取 | 第36-37页 |
| 4.2 火焰目标的提取 | 第37-38页 |
| 4.3 火焰特征提取和分析 | 第38-40页 |
| 4.3.1 面积增长特性 | 第38-39页 |
| 4.3.2 闪烁特性 | 第39页 |
| 4.3.3 形状复杂度 | 第39-40页 |
| 4.4 实验结果与分析 | 第40-43页 |
| 4.4.1 实验结果融合 | 第41-42页 |
| 4.4.2 改进后的融合结果 | 第42-43页 |
| 4.5 烟雾的纹理特征 | 第43-47页 |
| 4.5.1 烟雾目标的提取 | 第43-44页 |
| 4.5.2 图像纹理特征 | 第44页 |
| 4.5.3 灰度共生矩阵 | 第44-45页 |
| 4.5.4 实验结果 | 第45-47页 |
| 4.6 本章小结 | 第47-49页 |
| 第五章 D-S证据理论在行人检测中的应用 | 第49-57页 |
| 5.1 背景提取 | 第49-50页 |
| 5.2 运动目标提取 | 第50-51页 |
| 5.3 行人特征 | 第51-53页 |
| 5.3.1 长宽比 | 第51-52页 |
| 5.3.2 面积特征 | 第52页 |
| 5.3.3 速度特征 | 第52-53页 |
| 5.4 实验结果与分析 | 第53-56页 |
| 5.4.1 实验结果融合 | 第54页 |
| 5.4.2 结果分析 | 第54-56页 |
| 5.5 本章小结 | 第56-57页 |
| 总结与展望 | 第57-59页 |
| 参考文献 | 第59-62页 |
| 攻读学位期间取得的研究成果 | 第62-63页 |
| 致谢 | 第63页 |
