基于改进Adaboost算法的视频车辆轮廓检测算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-14页 |
| 1.1 引言 | 第9-10页 |
| 1.2 研究背景及意义 | 第10-11页 |
| 1.3 视频车辆轮廓检测遇到的问题 | 第11-12页 |
| 1.4 本文主要工作及章节安排 | 第12-13页 |
| 1.5 本章小结 | 第13-14页 |
| 2 车辆轮廓检测方法综述 | 第14-22页 |
| 2.1 基于特征的车辆轮廓检测 | 第14-15页 |
| 2.2 基于运动分析的车辆轮廓检测 | 第15-16页 |
| 2.3 基于差分的车辆检测 | 第16-19页 |
| 2.3.1 背景差分 | 第16-17页 |
| 2.3.2 帧间差分 | 第17-18页 |
| 2.3.3 三帧差分 | 第18-19页 |
| 2.4 基于学习的车辆检测 | 第19-21页 |
| 2.4.1 支持向量机 | 第20页 |
| 2.4.2 神经网络 | 第20-21页 |
| 2.4.3 贝叶斯方法 | 第21页 |
| 2.4.4 Adaboost方法 | 第21页 |
| 2.5 本章小结 | 第21-22页 |
| 3 基于Adaboost算法的视频车辆轮廓检测 | 第22-33页 |
| 3.1 PAC原理 | 第22-23页 |
| 3.2 Adaboost算法 | 第23-24页 |
| 3.3 Haar特征 | 第24-27页 |
| 3.4 积分图 | 第27-28页 |
| 3.5 分类器的训练及选取 | 第28-29页 |
| 3.6 样本训练 | 第29-31页 |
| 3.7 实验分析 | 第31-32页 |
| 3.8 本章小结 | 第32-33页 |
| 4 改进的视频车辆轮廓检测算法 | 第33-42页 |
| 4.1 Adaboost算法分析 | 第33页 |
| 4.2 改进算法流程图 | 第33-35页 |
| 4.3 样本裁剪 | 第35页 |
| 4.4 光流法获取感兴趣区域 | 第35-38页 |
| 4.5 感兴趣区域边缘检测 | 第38-40页 |
| 4.6 误检降低 | 第40页 |
| 4.7 改进算法进行检测 | 第40-41页 |
| 4.8 本章小结 | 第41-42页 |
| 5 实验过程及结果分析 | 第42-48页 |
| 5.1 单一背景测试 | 第42-45页 |
| 5.2 复杂背景测试 | 第45-47页 |
| 5.3 本章小结 | 第47-48页 |
| 6 总结与展望 | 第48-50页 |
| 参考文献 | 第50-54页 |
| 附录：攻读硕士学位期间取得的研究成果 | 第54-55页 |
| 致谢 | 第55页 |
