基于SVM的地铁客车空车检测的研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-14页 |
| 1.1 论文选题背景和研究意义 | 第8-9页 |
| 1.2 论文国内外研究现状 | 第9-11页 |
| 1.2.1 基于目标跟踪的遗留物检测研究现状 | 第9-11页 |
| 1.2.2 基于目标检测的遗留物检测研究现状 | 第11页 |
| 1.3 空车检测存在的难点 | 第11-12页 |
| 1.4 论文工作 | 第12-14页 |
| 1.4.1 论文研究内容及目标 | 第12页 |
| 1.4.2 论文研究方法 | 第12-13页 |
| 1.4.3 论文组织结构 | 第13-14页 |
| 2 遗留物检测的理论基础 | 第14-21页 |
| 2.1 数字图像的表示 | 第14页 |
| 2.2 背景建模 | 第14-16页 |
| 2.2.1 均值法 | 第14-15页 |
| 2.2.2 高斯背景模型 | 第15-16页 |
| 2.3 常用检测方法 | 第16-20页 |
| 2.3.1 基于统计学习的方法 | 第16-17页 |
| 2.3.2 背景相减法 | 第17-18页 |
| 2.3.3 帧间差分法 | 第18-19页 |
| 2.3.4 光流法 | 第19-20页 |
| 2.4 小结 | 第20-21页 |
| 3 HOG+HSV融合特征的提取 | 第21-36页 |
| 3.1 图像预处理 | 第21-27页 |
| 3.1.1 图像滤波 | 第21-25页 |
| 3.1.2 图像增强 | 第25-27页 |
| 3.2 特征提取 | 第27-35页 |
| 3.2.1 常用的图像特征类型简介 | 第28页 |
| 3.2.2 HOG特征提取 | 第28-32页 |
| 3.2.3 HSV特征的提取 | 第32-33页 |
| 3.2.4 融合特征的提取 | 第33-35页 |
| 3.3 小结 | 第35-36页 |
| 4 基于SVM的地铁空车检测 | 第36-48页 |
| 4.1 常用分类器 | 第36-40页 |
| 4.1.1 SVM分类器 | 第36-38页 |
| 4.1.2 人工神经网络 | 第38页 |
| 4.1.3 adaboost分类器 | 第38-40页 |
| 4.2 基于融合特征的SVM分类器训练 | 第40-44页 |
| 4.2.1 人体头肩部公开数据集和评价标准 | 第41-42页 |
| 4.2.2 SVM分类器训练 | 第42-43页 |
| 4.2.3 人体头肩部检测实验 | 第43-44页 |
| 4.3 视频中基于头肩部的快速空车检测 | 第44-47页 |
| 4.3.1 图像去噪 | 第44-45页 |
| 4.3.2 图像增强 | 第45页 |
| 4.3.3 背景建模与前景提取 | 第45-46页 |
| 4.3.4 LW-PGD方法确定待测窗口 | 第46-47页 |
| 4.3.5 空车检测 | 第47页 |
| 4.4 小结 | 第47-48页 |
| 结论 | 第48-49页 |
| 致谢 | 第49-50页 |
| 参考文献 | 第50-53页 |
| 攻读学位期间的研究成果 | 第53页 |
