| 摘要 | 第4-5页 |
| ABSTRACT | 第5页 |
| 注释表 | 第10-11页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 引言 | 第11-12页 |
| 1.2 国内外研究概况 | 第12-16页 |
| 1.2.1 运动目标检测研究现状 | 第13-14页 |
| 1.2.2 运动目标跟踪研究现状 | 第14-15页 |
| 1.2.3 目标识别研究现状 | 第15-16页 |
| 1.3 本文主要研究内容及章节安排 | 第16-17页 |
| 第二章 基于混合高斯模型的车辆动目标检测算法 | 第17-26页 |
| 2.1 引言 | 第17页 |
| 2.2 基于自适应混合高斯模型的目标检测 | 第17-19页 |
| 2.2.1 混合高斯模型 | 第18页 |
| 2.2.2 模型参数估计 | 第18-19页 |
| 2.2.3 车辆目标区域的提取 | 第19页 |
| 2.3 基于改进 GMM 的车辆检测 | 第19-23页 |
| 2.3.1 含有邻域信息的匹配度分布 | 第20-21页 |
| 2.3.2 背景更新策略 | 第21-22页 |
| 2.3.3 车辆前景的确定 | 第22-23页 |
| 2.4 实验结果和分析 | 第23-25页 |
| 2.5 本章小结 | 第25-26页 |
| 第三章 车辆区域的阴影消除 | 第26-36页 |
| 3.1 引言 | 第26页 |
| 3.2 传统的阴影消除方法介绍 | 第26-31页 |
| 3.2.1 色彩空间法 | 第27-29页 |
| 3.2.2 基于主成分分析方法的阴影检测 | 第29-30页 |
| 3.2.3 边缘统计法 | 第30-31页 |
| 3.3 基于 HSV 色彩空间法和混合高斯模型的阴影消除 | 第31-33页 |
| 3.3.1 算法的基本理论与框架 | 第31-32页 |
| 3.3.2 基于期望最大化的模型参数估计 | 第32-33页 |
| 3.4 实验结果和分析 | 第33-35页 |
| 3.5 本章小结 | 第35-36页 |
| 第四章 基于形状特征和神经网络的车辆类型识别 | 第36-45页 |
| 4.1 引言 | 第36-37页 |
| 4.2 基于形状特征的神经网络车辆识别 | 第37-42页 |
| 4.2.1 形状特征的选择 | 第37-38页 |
| 4.2.2 形状特征的分析 | 第38-41页 |
| 4.2.3 基于 BP 神经网络的分类器 | 第41-42页 |
| 4.3 实验结果和分析 | 第42-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第五章 基于改进 TLD 算法的车辆跟踪算法研究 | 第45-63页 |
| 5.1 引言 | 第45-46页 |
| 5.2 TLD 跟踪方法 | 第46-52页 |
| 5.2.1 TLD 算法主要框架 | 第46页 |
| 5.2.2 TLD 算法主要模块 | 第46-52页 |
| 5.3 改进的 TLD 跟踪算法 | 第52-58页 |
| 5.3.1 haar-like 特征和在线 adaboost 方法在目标跟踪中的应用 | 第52-56页 |
| 5.3.2 adaboost 分类器和 TLD 级联分类器的半监督协同训练 | 第56-58页 |
| 5.4 实验结果和分析 | 第58-62页 |
| 5.5 本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 工作总结 | 第63-64页 |
| 6.2 工作不足和工作展望 | 第64-65页 |
| 参考文献 | 第65-71页 |
| 致谢 | 第71-72页 |
| 在学期间的研究成果以及发表的学术论文 | 第72页 |
