数字视觉视频运动目标检测及其交通信息获取应用研究
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 1 引言 | 第9-21页 |
| ·数字视频运动目标检测技术 | 第9-17页 |
| ·数字视频运动目标检测技术的背景与意义 | 第9-11页 |
| ·数字视频运动目标检测技术的理论研究现状 | 第11-15页 |
| ·数字视频运动目标检测技术的实际应用研究状况 | 第15-17页 |
| ·交通流量检测技术 | 第17-20页 |
| ·交通流量检测技术的背景与意义 | 第17-18页 |
| ·交通流量检测技术的国内外现状 | 第18-19页 |
| ·交通流量检测技术的未来 | 第19-20页 |
| ·本文的主要内容及结构安排 | 第20-21页 |
| 2 运动目标的分割 | 第21-33页 |
| ·传统背景差方法简介 | 第21-22页 |
| ·混合高斯模型 | 第22-24页 |
| ·混合高斯模型简介 | 第22-23页 |
| ·混合高斯模型的局限性 | 第23-24页 |
| ·改进的背景算法 | 第24-29页 |
| ·仿真结果与讨论 | 第29-33页 |
| 3 目标的运动分析 | 第33-50页 |
| ·光流场方法 | 第33-41页 |
| ·光流方程 | 第35-36页 |
| ·Horn-Schunck(HS)方法及分析 | 第36-38页 |
| ·Lucas&Kanade(LK)方法及分析 | 第38-41页 |
| ·改进方法的原理 | 第41-43页 |
| ·基于目标的局部约束光流算法 | 第41-42页 |
| ·基于目标梯度特征的局部约束光流算法 | 第42-43页 |
| ·自适应梯度算法 | 第43页 |
| ·运算步骤 | 第43-47页 |
| ·目标区域的分割 | 第43-45页 |
| ·目标矩阵的形成与检验 | 第45页 |
| ·基于梯度的目标特征矩阵的形成 | 第45-46页 |
| ·自适应梯度算法 | 第46页 |
| ·最小二乘法计算 | 第46页 |
| ·运动量的赋予 | 第46-47页 |
| ·仿真结果与分析 | 第47-50页 |
| 4 基于视频的交通流量检测方法 | 第50-57页 |
| ·交通信息获取技术 | 第50-51页 |
| ·视频文件的预处理 | 第51-52页 |
| ·使用改进混合高斯模型分割车辆 | 第52-53页 |
| ·使用基于目标的光流分析法进行车辆运动状态分析 | 第53-55页 |
| ·道路车流量统计 | 第55-57页 |
| 5 结论 | 第57-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 个人简历、在学期间发表的学术论文及取得的研究成果 | 第63页 |
