基于计算机视觉对虾抗逆性实验视频分析系统
摘要 | 第4-5页 |
Abstract | 第5-6页 |
第一章 绪论 | 第13-19页 |
1.1 研究背景 | 第13页 |
1.2 研究现状 | 第13-16页 |
1.2.1 目标检测研究现状 | 第13-14页 |
1.2.2 图像分类研究现状 | 第14页 |
1.2.3 目标跟踪技术研究现状 | 第14-15页 |
1.2.4 水生动物行为研究现状 | 第15-16页 |
1.3 本文的主要工作及创新之处 | 第16-17页 |
1.3.1 本文的研究内容 | 第16页 |
1.3.2 本文的创新之处 | 第16页 |
1.3.3 本文的组织结构 | 第16-17页 |
1.4 本章小结 | 第17-19页 |
第二章 相关技术与方法概论 | 第19-29页 |
2.1 OpenCV技术概述 | 第19-20页 |
2.2 Qt技术概述 | 第20页 |
2.2.1 Qt技术背景 | 第20页 |
2.2.2 Qt的通信机制 | 第20页 |
2.3 目标检测技术概述 | 第20-23页 |
2.3.1 基于背景建模的目标检测 | 第21-22页 |
2.3.2 帧间差分法 | 第22页 |
2.3.3 三帧差分法 | 第22-23页 |
2.4 图像分类技术概论 | 第23-26页 |
2.4.1 图像分类技术背景 | 第23页 |
2.4.2 HOG特征 | 第23-24页 |
2.4.3 SVM分类器 | 第24-26页 |
2.4.4 HOG+SVM分类算法 | 第26页 |
2.5 目标跟踪技术概论 | 第26-28页 |
2.5.1 Camshift算法 | 第27-28页 |
2.6 本章小结 | 第28-29页 |
第三章 视频分析系统整体设计 | 第29-37页 |
3.1 视频分析系统系统需求分析 | 第29-31页 |
3.1.1 对虾的抗逆性实验 | 第29-30页 |
3.1.2 功能需求分析 | 第30-31页 |
3.2 视频分析系统模块设计 | 第31-34页 |
3.2.1 视频分析系统硬件模块 | 第31-32页 |
3.2.2 视频分析系统软件模块 | 第32-34页 |
3.3 视频分析系统工作流程 | 第34-36页 |
3.4 本章小结 | 第36-37页 |
第四章 视频分析系统目标检测识别 | 第37-53页 |
4.1 对虾的目标检测 | 第37-44页 |
4.1.1 图像背景模型的初始化 | 第37-39页 |
4.1.2 图像滤波处理 | 第39-41页 |
4.1.3 图像阈值处理 | 第41-42页 |
4.1.4 图像轮廓提取 | 第42-43页 |
4.1.5 图像背景模型更新 | 第43-44页 |
4.2 虾生存状态识别 | 第44-47页 |
4.2.1 训练SVM分类器 | 第44-45页 |
4.2.2 对虾生存状态识别 | 第45-47页 |
4.3 目标检测识别模块工作流程 | 第47-48页 |
4.4 性能和误差分析 | 第48-51页 |
4.4.1 目标检测性能及误差分析 | 第48-50页 |
4.4.2 图片分类算法性能及误差分析 | 第50-51页 |
4.5 本章小结 | 第51-53页 |
第五章 视频分析系统目标跟踪模块 | 第53-73页 |
5.1 对虾轨迹跟踪算法 | 第53-60页 |
5.1.1 基于Camshift算法的目标跟踪 | 第53-55页 |
5.1.2 基于检测算法的目标跟踪 | 第55页 |
5.1.3 算法目标丢失找回 | 第55-57页 |
5.1.4 目标跟踪策略选择 | 第57-59页 |
5.1.5 跟踪算法对对虾状态识别的影响 | 第59-60页 |
5.2 单目摄像机标定和畸变校正 | 第60-64页 |
5.2.1 摄像机标定 | 第60-63页 |
5.2.2 摄像机畸变校正 | 第63-64页 |
5.3 数据处理 | 第64-69页 |
5.3.1 长度标定 | 第64-65页 |
5.3.2 运动相关数据计算 | 第65-69页 |
5.4 性能分析及误差估计 | 第69-71页 |
5.4.1 目标跟踪的性能和误差分析 | 第69-70页 |
5.4.2 运动相关数据计算误差估计 | 第70-71页 |
5.5 本章小结 | 第71-73页 |
第六章 总结与展望 | 第73-75页 |
6.1 总结 | 第73-74页 |
6.2 展望 | 第74-75页 |
参考文献 | 第75-79页 |
攻读硕士学位期间科研情况 | 第79-80页 |
致谢 | 第80-81页 |