| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-14页 |
| 1.1 研究的背景及意义 | 第7-8页 |
| 1.2 智能交通监控系统的发展现状和趋势 | 第8页 |
| 1.3 车辆检测技术的发展 | 第8-11页 |
| 1.3.1 传统车辆检测技术 | 第8-10页 |
| 1.3.2 基于视频的车辆检测技术 | 第10-11页 |
| 1.4 本文的研究内容和方法及论文结构 | 第11-14页 |
| 第二章 基于运动前景车辆检测算法 | 第14-29页 |
| 2.1 视频序列的获取及预处理 | 第14-16页 |
| 2.1.1 中值滤波 | 第14-15页 |
| 2.1.2 高斯滤波 | 第15页 |
| 2.1.3 双边滤波 | 第15-16页 |
| 2.2 背景差分法 | 第16-17页 |
| 2.3 帧间差分法 | 第17-19页 |
| 2.3.1 两帧差分法 | 第17-18页 |
| 2.3.2 三帧差分法 | 第18-19页 |
| 2.4 光流法 | 第19-20页 |
| 2.5 背景模型法 | 第20-28页 |
| 2.5.1 平均背景模型 | 第20-21页 |
| 2.5.2 单高斯分布背景建模 | 第21-23页 |
| 2.5.3 混合高斯背景建模 | 第23-24页 |
| 2.5.4 本文的组合前景法 | 第24-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第三章 基于Adaboost分类器的公交车辆检测方法 | 第29-44页 |
| 3.1 机器学习简介 | 第29-30页 |
| 3.2 Ada Boost算法 | 第30-32页 |
| 3.2.1 Bagging和Boosting方法 | 第30-31页 |
| 3.2.2 Adaboost算法原理 | 第31-32页 |
| 3.3 Haar和LBP特征 | 第32-38页 |
| 3.3.1 Haar特征 | 第33-36页 |
| 3.3.2 LBP特征 | 第36-38页 |
| 3.4 分类器的训练 | 第38-41页 |
| 3.4.1 样本的选择和归一化 | 第38-40页 |
| 3.4.1.1 正样本的获取及处理 | 第38-39页 |
| 3.4.1.2 负样本的获取及处理 | 第39-40页 |
| 3.4.2 分类器的训练过程 | 第40-41页 |
| 3.5 公交车辆分类器的检测和结果 | 第41-43页 |
| 3.6 本章小结 | 第43-44页 |
| 第四章 公交车辆车窗特征颜色检测算法 | 第44-59页 |
| 4.1 车窗定位 | 第44-52页 |
| 4.1.1 连通域标记 | 第45-46页 |
| 4.1.2 边缘检测 | 第46-52页 |
| 4.2 基于车窗颜色特征的公交车辆识别 | 第52-56页 |
| 4.2.1 算法原理 | 第52-53页 |
| 4.2.2 红色像素的提取 | 第53-56页 |
| 4.2.2.1 RGB和HSV空间 | 第53-55页 |
| 4.2.2.2 HSV空间红色像素提取结果 | 第55-56页 |
| 4.3 公交车辆视频检测结果与分析 | 第56-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第五章 总结与展望 | 第59-61页 |
| 5.1 总结 | 第59页 |
| 5.2 展望 | 第59-61页 |
| 参考文献 | 第61-64页 |
| 攻读学位期间的研究成果 | 第64-65页 |
| 致谢 | 第65-66页 |