| 第一章 绪论 | 第1-12页 |
| 1．1 智能交通系统发展简介 | 第7-9页 |
| 1．2 交通检测的主要方法 | 第9-10页 |
| 1．3 论文研究目的及主要工作 | 第10-11页 |
| 1．3．1 论文研究目的 | 第10-11页 |
| 1．3．2 本文主要工作 | 第11页 |
| 1．4 小结 | 第11-12页 |
| 第二章 视频图像前景背景分离方法探讨 | 第12-28页 |
| 2．1 背景差法 | 第12-22页 |
| 2．1．1 图像平均值背景生成算法 | 第12-13页 |
| 2．1．2 传统递归过滤法 | 第13-14页 |
| 2．1．3 基于帧差公共信息背景生成法 | 第14-15页 |
| 2．1．4 基于HSI 彩色空间帧差公共信息背景生成法 | 第15-17页 |
| 2．1．5 基于HSI 彩色空间单高斯模型的背景生成算法 | 第17-19页 |
| 2．1．6 基于滑动窗口的HSI 彩色空间单高斯模型背景生成算法 | 第19-22页 |
| 2．2 基于纹理空间的背景差法 | 第22-24页 |
| 2．2．1 纹理的基本概念 | 第22-23页 |
| 2．2．2 纹理单元 | 第23页 |
| 2．2．3 纹理空间的背景差算法 | 第23-24页 |
| 2．3 邻帧差法 | 第24-25页 |
| 2．4 背景更新策略探讨 | 第25-27页 |
| 2．5 小结 | 第27-28页 |
| 第三章 交通状态参数的提取 | 第28-42页 |
| 3．1 视频图像车辆阴影分割 | 第28-33页 |
| 3．1．1 蓝波段信息阴影检测 | 第29-30页 |
| 3．1．2 帧间象素比值阴影检测法 | 第30-31页 |
| 3．1．3 基于空间特征车辆阴影分割法 | 第31-33页 |
| 3．2 基于背景差法的车辆识别 | 第33-37页 |
| 3．2．1 区域检出算法 | 第33-34页 |
| 3．2．2 区域融合 | 第34-36页 |
| 3．2．3 车型识别模型 | 第36-37页 |
| 3．3 基于纹理空间背景差法的车辆识别 | 第37-39页 |
| 3．3．1 车辆的粗定位 | 第37-39页 |
| 3．3．2 车辆的精确定位 | 第39页 |
| 3．4 交通状态参数提取探讨 | 第39-41页 |
| 3．4．1 路面占有率、车道占有率 | 第39-40页 |
| 3．4．2 车型数量的统计 | 第40页 |
| 3．4．3 车速计算 | 第40页 |
| 3．4．4 车流量计算 | 第40-41页 |
| 3．5 小结 | 第41-42页 |
| 第四章 基于视频技术交通检测系统的设计 | 第42-46页 |
| 4．1 系统实现的软硬件平台 | 第42页 |
| 4．2 系统设计思想 | 第42页 |
| 4．3 系统功能模块组成 | 第42-44页 |
| 4．4 系统界面设计 | 第44-45页 |
| 4．5 系统的试验效果 | 第45页 |
| 4．6 小结 | 第45-46页 |
| 第五章 基于协同方法视频交通拥挤度的判定 | 第46-54页 |
| 5．1 协同模式识别模型及其算法框架 | 第46-50页 |
| 5．1．1 标准协同模式识别模型 | 第47-49页 |
| 5．1．2 基于平衡注意参数的协同模式识别模型及算法 | 第49-50页 |
| 5．2 序参量的重构 | 第50-53页 |
| 5．3 基于重构序参量平衡注意参数协同模式识别算法的运用 | 第53页 |
| 5．4 小结 | 第53-54页 |
| 总结与展望 | 第54-56页 |
| 参考文献 | 第56-58页 |
| 致谢 | 第58-59页 |
| 个人简历及在学期间发表论文 | 第59页 |
