基于视频的行人过街信号自适应优化方法研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 图目录 | 第11-13页 |
| 表目录 | 第13-14页 |
| 第1章 绪论 | 第14-20页 |
| 1.1 课题来源 | 第14页 |
| 1.2 论文研究背景及意义 | 第14-15页 |
| 1.3 研究现状 | 第15-17页 |
| 1.4 研究思路与研究内容 | 第17-19页 |
| 1.4.1 研究思路 | 第17-18页 |
| 1.4.2 研究内容 | 第18-19页 |
| 1.5 小结 | 第19-20页 |
| 第2章 行人检测算法 | 第20-38页 |
| 2.1 检测区域设定 | 第21页 |
| 2.2 自适应背景模型 | 第21-29页 |
| 2.2.1 背景初始化算法 | 第21-22页 |
| 2.2.2 基于 kalman 算法的背景表达 | 第22-23页 |
| 2.2.3 改进的自适应背景更新算法 | 第23-29页 |
| 2.3 行人目标提取 | 第29-30页 |
| 2.4 阴影检测模型 | 第30-33页 |
| 2.5 实验结果分析 | 第33-36页 |
| 2.5.1 背景初始化实验效果 | 第33-34页 |
| 2.5.2 改进的卡尔曼背景更新实验效果 | 第34-35页 |
| 2.5.3 行人提取实验效果 | 第35页 |
| 2.5.4 阴影剔除实验效果 | 第35-36页 |
| 2.6 小结 | 第36-38页 |
| 第3章 行人过街数量检测算法 | 第38-62页 |
| 3.1 像素点数量统计特征 | 第38-39页 |
| 3.2 纹理特征 | 第39-44页 |
| 3.2.1 纹理的定义 | 第39-40页 |
| 3.2.2 纹理分析方法 | 第40页 |
| 3.2.3 灰度共生矩阵及其统计特征 | 第40-44页 |
| 3.2.4 LBP 特征 | 第44页 |
| 3.3 特征优选及图像分块 | 第44-47页 |
| 3.3.1 行人密度判别 | 第45-46页 |
| 3.3.2 图像分块方法 | 第46-47页 |
| 3.4 基于 SVM 的行人计数算法 | 第47-53页 |
| 3.4.1 SVM 工作原理 | 第47-51页 |
| 3.4.2 算法实现 | 第51-53页 |
| 3.5 实验效果分析 | 第53-60页 |
| 3.5.1 交叉验证实验效果 | 第54-57页 |
| 3.5.2 行人过街计数实验效果 | 第57-60页 |
| 3.6 小结 | 第60-62页 |
| 第4章 行人过街信号自适应优化方法 | 第62-74页 |
| 4.1 传统行人过街时间计算 | 第62-64页 |
| 4.2 行人过街信号优化模型 | 第64-68页 |
| 4.2.1 行人过街信号优化相关因素 | 第64页 |
| 4.2.2 基于 SVR 的行人过街时间估计 | 第64-68页 |
| 4.3 实验效果分析 | 第68-72页 |
| 4.3.1 行人过街时间估计效果 | 第68-70页 |
| 4.3.2 性能评价 | 第70-72页 |
| 4.4 小结 | 第72-74页 |
| 第5章 总结与展望 | 第74-76页 |
| 5.1 研究结论与成果 | 第74页 |
| 5.2 研究展望 | 第74-76页 |
| 参考文献 | 第76-80页 |
| 作者简介 | 第80-82页 |
| 致谢 | 第82页 |
