基于图像处理的公交车紧急情况检测及MFC系统实现
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-14页 |
| 1.1 课题研究背景和意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-11页 |
| 1.3 公交车紧急情况设定 | 第11-12页 |
| 1.4 主要研究内容和创新点 | 第12页 |
| 1.5 论文的组织结构 | 第12-14页 |
| 第二章 图像处理相关技术 | 第14-28页 |
| 2.1 图像预处理 | 第14-19页 |
| 2.1.1 图像灰度化 | 第14-16页 |
| 2.1.2 滤波降噪 | 第16-18页 |
| 2.1.3 形态学处理 | 第18-19页 |
| 2.2 运动目标检测算法 | 第19-20页 |
| 2.2.1 概述 | 第19页 |
| 2.2.2 ViBe算法 | 第19-20页 |
| 2.3 光流法相关概念 | 第20-24页 |
| 2.3.1 Shi-Tomas特征点 | 第21页 |
| 2.3.2 光流法 | 第21-23页 |
| 2.3.3 Lucas-Kanade光流法 | 第23页 |
| 2.3.4 金字塔L-K光流法 | 第23-24页 |
| 2.4 卷积神经网络 | 第24-27页 |
| 2.4.1 前向传播 | 第25-27页 |
| 2.4.2 反向传播 | 第27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 运动目标检测 | 第28-38页 |
| 3.1 感兴趣区域确立 | 第28-33页 |
| 3.1.1 背景差分法 | 第28-29页 |
| 3.1.2 背景建模与更新策略 | 第29页 |
| 3.1.3 感兴趣区域确立 | 第29-33页 |
| 3.2 改进的运动目标检测算法 | 第33-37页 |
| 3.2.1 改进ViBe算法 | 第33-35页 |
| 3.2.2 结果对比与分析 | 第35-37页 |
| 3.3 本章小结 | 第37-38页 |
| 第四章 异常情况识别 | 第38-58页 |
| 4.1 基于基础图像算法的识别 | 第38-45页 |
| 4.1.1 实验数据来源 | 第38-39页 |
| 4.1.2 带修正系数的改进光流法 | 第39-41页 |
| 4.1.3 异常情况检测方法 | 第41-42页 |
| 4.1.4 实验结果与分析 | 第42-45页 |
| 4.2 基于机器学习算法的识别 | 第45-54页 |
| 4.2.1 多尺度滑窗检测方法 | 第45-48页 |
| 4.2.2 改进CNN算法 | 第48-51页 |
| 4.2.3 异常情况检测方法 | 第51-53页 |
| 4.2.4 实验结果与分析 | 第53-54页 |
| 4.3 公交车内人群异常情况检测 | 第54-56页 |
| 4.3.1 检测思路与方法 | 第54页 |
| 4.3.2 检测过程 | 第54-56页 |
| 4.3.3 实验结果与分析 | 第56页 |
| 4.4 本章小结 | 第56-58页 |
| 第五章 MFC系统实现 | 第58-67页 |
| 5.1 MFC技术 | 第58页 |
| 5.2 需求分析 | 第58-59页 |
| 5.2.1 功能性需求 | 第58-59页 |
| 5.2.2 非功能性需求 | 第59页 |
| 5.3 系统设计与实现 | 第59-65页 |
| 5.3.1 系统环境配置 | 第59页 |
| 5.3.2 系统总体框架 | 第59-60页 |
| 5.3.3 系统的软件实现 | 第60-62页 |
| 5.3.4 界面设计与功能说明 | 第62-65页 |
| 5.4 结果对比与分析 | 第65-66页 |
| 5.5 本章小结 | 第66-67页 |
| 第六章 主要结论与展望 | 第67-69页 |
| 6.1 主要结论 | 第67-68页 |
| 6.2 展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 附录: 作者在攻读硕士学位期间发表的论文 | 第74页 |
