| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第13-20页 |
| 1.1 研究背景与意义 | 第13-14页 |
| 1.2 车辆检测技术发展现状与存在问题 | 第14-19页 |
| 1.2.1 传统车辆检测技术 | 第14-16页 |
| 1.2.2 视频车辆检测技术的发展现状 | 第16-18页 |
| 1.2.3 目前存在问题 | 第18-19页 |
| 1.3 本文的主要研究工作和章节安排 | 第19-20页 |
| 第二章 视频车辆检测技术研究 | 第20-32页 |
| 2.1 传统的前景检测算法 | 第20-24页 |
| 2.1.1 帧间差分法 | 第20-22页 |
| 2.1.2 背景差减法 | 第22-23页 |
| 2.1.3 光流法 | 第23-24页 |
| 2.2 夜间车辆检测技术 | 第24-28页 |
| 2.2.1 基于车灯特征规则的夜间车辆检测 | 第24-27页 |
| 2.2.2 基于分类器的夜间车辆检测 | 第27-28页 |
| 2.3 车辆跟踪技术 | 第28-31页 |
| 2.3.1 基于模型的跟踪 | 第28-29页 |
| 2.3.2 基于区域的跟踪 | 第29页 |
| 2.3.3 基于特征的跟踪 | 第29-30页 |
| 2.3.4 滤波器算法 | 第30-31页 |
| 2.4 本章小结 | 第31-32页 |
| 第三章 基于车尾灯和虚拟线圈的夜间车流量检测算法 | 第32-47页 |
| 3.1 夜间车流量检测算法的流程 | 第32-33页 |
| 3.2 虚拟线圈设置 | 第33-37页 |
| 3.2.1 车道线检测 | 第34页 |
| 3.2.2 虚拟线圈参数设置 | 第34-37页 |
| 3.3 提取车尾灯目标 | 第37-42页 |
| 3.3.1 初步提取车尾灯目标 | 第38-41页 |
| 3.3.2 根据车尾灯特征筛选目标 | 第41-42页 |
| 3.4 车尾灯配对 | 第42-44页 |
| 3.4.1 车尾灯对特征分析 | 第42-43页 |
| 3.4.2 车尾灯配对 | 第43-44页 |
| 3.5 车辆跟踪与计数 | 第44-45页 |
| 3.6 实验结果分析 | 第45-46页 |
| 3.7 本章小结 | 第46-47页 |
| 第四章 基于AdaBoost分类器的夜间车辆检测与跟踪算法 | 第47-67页 |
| 4.1 算法流程 | 第47-48页 |
| 4.2 基于分类器的车尾候选框提取 | 第48-59页 |
| 4.2.1 Haar-like特征 | 第48-49页 |
| 4.2.2 AdaBoost分类器 | 第49-50页 |
| 4.2.3 基于AdaBoost算法的Haar-like特征选择 | 第50-51页 |
| 4.2.4 基于难样本的分类器训练 | 第51-59页 |
| 4.3 基于运动信息和颜色的车辆候选框筛选 | 第59-63页 |
| 4.3.1 运动车辆位置变化规则 | 第60页 |
| 4.3.2 候选框颜色特征提取 | 第60-63页 |
| 4.3.3 确定车辆位置 | 第63页 |
| 4.3.4 Kalman滤波跟踪 | 第63页 |
| 4.4 实验结果分析 | 第63-66页 |
| 4.5 本章小结 | 第66-67页 |
| 第五章 总结与展望 | 第67-69页 |
| 5.1 总结 | 第67页 |
| 5.2 展望 | 第67-69页 |
| 参考文献 | 第69-73页 |
| 攻读硕士期间科研成果 | 第73-74页 |
| 致谢 | 第74页 |