| 致谢 | 第1-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-15页 |
| 1 绪论 | 第15-32页 |
| ·研究背景 | 第15-16页 |
| ·研究目的及意义 | 第16-18页 |
| ·国内外研究现状 | 第18-28页 |
| ·交通信息采集研究现状 | 第18-21页 |
| ·基于计算机视觉的行人检测方法研究现状 | 第21-23页 |
| ·基于计算机视觉的行人跟踪方法研究现状 | 第23-26页 |
| ·基于计算机视觉的行人识别方法研究现状 | 第26-28页 |
| ·论文的主要研究方法和内容 | 第28-31页 |
| ·研究技术路线 | 第28-30页 |
| ·主要研究内容 | 第30-31页 |
| ·小结 | 第31-32页 |
| 2 基于计算机视觉的交通信息检测理论与技术研究 | 第32-53页 |
| ·基于计算机视觉的交通信息检测理论基础 | 第32-36页 |
| ·计算机视觉基础知识 | 第32-33页 |
| ·基于计算机视觉的交通信息检测过程分层 | 第33-34页 |
| ·行人交通语义信息定义 | 第34-36页 |
| ·基于计算机视觉的交通信息检测关键技术 | 第36-45页 |
| ·交通信息检测技术 | 第37-38页 |
| ·数字图像处理技术 | 第38-45页 |
| ·交通信息智能监控系统构建 | 第45-52页 |
| ·交通信息智能监控体系结构设计 | 第45-49页 |
| ·交通信息智能监控系统软件结构设计 | 第49-52页 |
| ·小结 | 第52-53页 |
| 3 交通场景背景提取与目标分割方法研究 | 第53-80页 |
| ·交通视频图像背景分析与建模 | 第53-64页 |
| ·背景建模理论分析 | 第53-54页 |
| ·融合光流速度场的自适应背景建模 | 第54-60页 |
| ·融合光流速度场的自适应背景建模算法 | 第60-63页 |
| ·算例分析 | 第63-64页 |
| ·运动目标分割分析与设计 | 第64-66页 |
| ·目标分割理论分析 | 第64-65页 |
| ·目标分割模型算法设计 | 第65-66页 |
| ·运动目标分割建模 | 第66-79页 |
| ·融合边缘信息的时域分割 | 第66-68页 |
| ·基于二次重构和内外标记的分水岭空域分割 | 第68-76页 |
| ·基于时域和空域信息的目标分割算法 | 第76-77页 |
| ·算例分析 | 第77-79页 |
| ·小结 | 第79-80页 |
| 4 行人智能检测与底层交通语义信息提取方法研究 | 第80-103页 |
| ·行人检测模型分析与设计 | 第80-81页 |
| ·行人检测和底层交通语义信息提取 | 第81-87页 |
| ·基于形态学和连通域的行人检测 | 第81-84页 |
| ·底层交通语义信息检测 | 第84-87页 |
| ·遮挡状态下行人检测 | 第87-96页 |
| ·遮挡状态下的行人检测方法分析 | 第87-88页 |
| ·基于人头颜色空间和轮廓形状的行人检测 | 第88-93页 |
| ·人数统计 | 第93-96页 |
| ·实验结果与分析 | 第96-101页 |
| ·行人检测实验1 | 第96-99页 |
| ·行人检测实验2 | 第99-101页 |
| ·小结 | 第101-103页 |
| 5 行人智能跟踪与中层交通语义信息提取方法研究 | 第103-137页 |
| ·目标跟踪理论分析 | 第103-106页 |
| ·背景介绍 | 第103-104页 |
| ·Mean Shift算法原理介绍 | 第104-106页 |
| ·改进Mean-Shift行人跟踪算法 | 第106-119页 |
| ·自动选择跟踪目标模板 | 第106-107页 |
| ·多线索信息融合的目标跟踪建模 | 第107-113页 |
| ·目标尺度变化的自适应调整 | 第113-115页 |
| ·目标遮挡和搜索策略设置 | 第115-118页 |
| ·目标跟踪算法设计 | 第118-119页 |
| ·中层交通语义信息提取 | 第119-123页 |
| ·行人交通参数提取 | 第120-121页 |
| ·目标链建立 | 第121-123页 |
| ·基于多目标跟踪的行人统计 | 第123-127页 |
| ·检测区域的建立与设置 | 第123-124页 |
| ·行人流量统计 | 第124-125页 |
| ·行人计数 | 第125-127页 |
| ·实验结果与分析 | 第127-136页 |
| ·多线索信息融合的目标表观建模实验 | 第127-128页 |
| ·单目标跟踪实验 | 第128-131页 |
| ·多目标跟踪实验 | 第131-134页 |
| ·中层交通语义信息提取实验 | 第134-136页 |
| ·小结 | 第136-137页 |
| 6 行人目标智能识别与检索方法研究 | 第137-164页 |
| ·目标识别理论分析 | 第137-141页 |
| ·背景介绍 | 第137-138页 |
| ·BP神经网络基础知识 | 第138-140页 |
| ·遗传算法基础理论 | 第140-141页 |
| ·目标分类识别分析与建模 | 第141-150页 |
| ·目标输入特征设置 | 第141-143页 |
| ·基于HGA-BP网络的识别分类器构建 | 第143-147页 |
| ·基于HGA-BP网络的行人识别算法 | 第147-150页 |
| ·基于级联分类器结构的行人层级识别 | 第150-154页 |
| ·Cascade级联分类器 | 第150-151页 |
| ·基于行人识别的Cascade-HGA-BP分类器构建 | 第151-152页 |
| ·基于Cascade-HGA-BP分类器行人识别算法 | 第152-154页 |
| ·实验结果与分析 | 第154-163页 |
| ·样本集 | 第154-156页 |
| ·分类器训练 | 第156-159页 |
| ·目标识别和人数统计 | 第159-163页 |
| ·小结 | 第163-164页 |
| 7 总结与展望 | 第164-168页 |
| ·主要研究成果 | 第164-165页 |
| ·主要创新点 | 第165-166页 |
| ·研究展望 | 第166-168页 |
| 参考文献 | 第168-177页 |
| 作者简历及攻读博士学位期间取得的研究成果 | 第177-180页 |
| 学位论文数据集 | 第180页 |