基于图像处理的混合交通流行人和非机动车数据采集理论与方法
| 致谢 | 第1-6页 |
| 中文摘要 | 第6-8页 |
| Abstract | 第8-13页 |
| 图清单 | 第13-15页 |
| 表清单 | 第15-16页 |
| 1 绪论 | 第16-24页 |
| ·研究背景 | 第16-17页 |
| ·研究目的与意义 | 第17-19页 |
| ·研究目的 | 第17-18页 |
| ·研究意义 | 第18-19页 |
| ·研究内容和方法 | 第19-20页 |
| ·主要研究内容 | 第19-20页 |
| ·研究方法 | 第20页 |
| ·论文的主要结构 | 第20-24页 |
| 2 国内外研究综述 | 第24-40页 |
| ·交通流数据采集技术研究现状 | 第24-29页 |
| ·机动车交通流数据采集设备现状 | 第26-29页 |
| ·混合交通流数据采集的适用性 | 第29页 |
| ·基于图像处理的交通流数据采集理论研究现状 | 第29-37页 |
| ·对象检测理论与方法 | 第30-32页 |
| ·对象跟踪理论与方法 | 第32-36页 |
| ·基于图像处理的混合交通流数据采集的适用性 | 第36-37页 |
| ·混合交通流数据采集系统的框架设计 | 第37-38页 |
| ·本章小结 | 第38-40页 |
| 3 背景提取模型 | 第40-58页 |
| ·常用背景提取模型 | 第40-42页 |
| ·图像平均模型 | 第40-41页 |
| ·时序中值滤波模型 | 第41页 |
| ·高斯混合模型 | 第41-42页 |
| ·常用背景提取模型的实证分析 | 第42-46页 |
| ·图像平均模型 | 第42-43页 |
| ·时序中值滤波模型 | 第43-45页 |
| ·高斯混合模型 | 第45-46页 |
| ·针对交通场景的形态学自适应背景提取模型 | 第46-56页 |
| ·形态学 | 第47页 |
| ·形态学的定量分析原则 | 第47-49页 |
| ·形态学算子 | 第49-51页 |
| ·自适应背景图像提取的形态学建模 | 第51-54页 |
| ·模型性能分析 | 第54-56页 |
| ·本章小结 | 第56-58页 |
| 4 行人和非机动车对象检测理论与方法研究 | 第58-74页 |
| ·运动对象检测 | 第58-59页 |
| ·运动对象检测及背景更新 | 第59-65页 |
| ·基于高斯混合模型的自适应阈值选取 | 第59-60页 |
| ·基于背景差法的混合交通对象检测 | 第60-62页 |
| ·选择性背景更新 | 第62-63页 |
| ·更新率α的灵敏度分析 | 第63-65页 |
| ·噪声抑制技术 | 第65-71页 |
| ·邻域信息 | 第65-67页 |
| ·光强调整 | 第67-70页 |
| ·灰阶和彩色 | 第70-71页 |
| ·本章小结 | 第71-74页 |
| 5 混合交通流状况下运动对象跟踪研究 | 第74-94页 |
| ·运动对象跟踪 | 第74-75页 |
| ·基于模糊匹配的改进 KF跟踪模型 | 第75-84页 |
| ·模型的提出 | 第75-76页 |
| ·基本算法 | 第76-79页 |
| ·基于模糊匹配的改进KF跟踪模型 | 第79-84页 |
| ·混合交通条件下模型有效性验证 | 第84-93页 |
| ·实验环境 | 第84-85页 |
| ·系统初始化 | 第85-87页 |
| ·实验结果及分析 | 第87-93页 |
| ·本章小结 | 第93-94页 |
| 6 混合交通流对象识别研究 | 第94-108页 |
| ·概述 | 第94-95页 |
| ·特征提取 | 第95-98页 |
| ·基于 BP人工神经网络的混合交通流对象识别 | 第98-105页 |
| ·BP人工神经网络 | 第98-101页 |
| ·混合对象识别的BP神经网络 | 第101-102页 |
| ·隐层神经元训练 | 第102-105页 |
| ·实例验证 | 第105-107页 |
| ·本章小结 | 第107-108页 |
| 7 研究结论与展望 | 第108-112页 |
| ·研究成果总结 | 第108-109页 |
| ·主要创新点 | 第109-110页 |
| ·研究展望 | 第110-112页 |
| 参考文献 | 第112-120页 |
| 作者简介 | 第120-124页 |
| 学位论文数据集 | 第124页 |
