| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第12-26页 |
| 1.1 研究背景及意义 | 第12-16页 |
| 1.1.1 研究背景 | 第12-14页 |
| 1.1.2 研究意义 | 第14-15页 |
| 1.1.3 论文依托的课题 | 第15-16页 |
| 1.2 国内外研究现状 | 第16-22页 |
| 1.2.1 交通视频检测及行为分析系统研究进展 | 第16-17页 |
| 1.2.2 车辆检测与跟踪技术研究进展 | 第17-19页 |
| 1.2.3 车辆行为分析研究进展 | 第19-21页 |
| 1.2.4 存在的主要问题 | 第21-22页 |
| 1.3 本文主要研究内容 | 第22-24页 |
| 1.4 章节安排 | 第24-26页 |
| 第二章 基于局部对称特征的车辆目标检测 | 第26-48页 |
| 2.1 引言 | 第26页 |
| 2.2 局部不变性特征 | 第26-29页 |
| 2.2.1 局部特征发展历程 | 第27-28页 |
| 2.2.2 局部不变特征对比分析 | 第28-29页 |
| 2.3 对称SURF特征提取与分析 | 第29-39页 |
| 2.3.1 SURF算法思想 | 第29-34页 |
| 2.3.2 基于对称特征的S-SURF算法 | 第34-36页 |
| 2.3.3 S-SURF算法优化 | 第36-37页 |
| 2.3.4 算法性能分析 | 第37-39页 |
| 2.4 融合S-SURF算法和阴影特征的车辆检测与识别 | 第39-42页 |
| 2.4.1 融合S-SURF算法和阴影特征的车辆检测 | 第39-41页 |
| 2.4.2 车辆目标定位分析 | 第41-42页 |
| 2.5 实验结果与分析 | 第42-46页 |
| 2.5.1 对称特征提取分析 | 第43页 |
| 2.5.2 车辆目标检测分析 | 第43-45页 |
| 2.5.3 算法性能对比分析 | 第45-46页 |
| 2.6 本章小结 | 第46-48页 |
| 第三章 融合特征匹配和光流法的车辆目标跟踪 | 第48-72页 |
| 3.1 引言 | 第48页 |
| 3.2 基于特征点的目标跟踪方法 | 第48-53页 |
| 3.2.1 特征点提取 | 第49-51页 |
| 3.2.2 特征点匹配策略 | 第51-53页 |
| 3.2.3 存在的主要问题 | 第53页 |
| 3.3 基于双向可逆性约束的KLT算法 | 第53-59页 |
| 3.3.1 KLT算法原理 | 第53-55页 |
| 3.3.2 KLT算法的金字塔模型 | 第55-56页 |
| 3.3.3 基于双向加权可逆性约束的KLT算法 | 第56-58页 |
| 3.3.4 算法描述 | 第58-59页 |
| 3.4 融合特征匹配和KLT算法的车辆目标跟踪 | 第59-64页 |
| 3.4.1 基于SURF特征匹配和KLT跟踪相结合的目标跟踪算法 | 第60-61页 |
| 3.4.2 基于层次聚类的异常特征点删除 | 第61-64页 |
| 3.5 实验结果与分析 | 第64-70页 |
| 3.5.1 尺度变化分析 | 第64-65页 |
| 3.5.2 跟踪效果对比分析 | 第65-68页 |
| 3.5.3 不同天气情况下的轨迹提取分析 | 第68-69页 |
| 3.5.4 跟踪耗时分析 | 第69-70页 |
| 3.6 本章小结 | 第70-72页 |
| 第四章 融合多特征和编辑距离的轨迹相似性度量 | 第72-94页 |
| 4.1 引言 | 第72页 |
| 4.2 轨迹相似性度量算法比较研究 | 第72-79页 |
| 4.2.1 时空轨迹的相似性度量 | 第72-74页 |
| 4.2.2 轨迹相似性度量算法分析 | 第74-78页 |
| 4.2.3 算法性能对比 | 第78-79页 |
| 4.3 融合多特征的IEDR编辑距离算法 | 第79-86页 |
| 4.3.1 轨迹的流矢量表示 | 第80页 |
| 4.3.2 EDR编辑距离 | 第80-81页 |
| 4.3.3 基于欧氏距离的IEDR算法 | 第81-82页 |
| 4.3.4 基于方向和速度约束的轨迹分段 | 第82-84页 |
| 4.3.5 融合多特征的IEDR编辑距离算法 | 第84-86页 |
| 4.4 实验结果与分析 | 第86-92页 |
| 4.4.1 编辑距离对比分析 | 第86-88页 |
| 4.4.2 聚类效果分析 | 第88-90页 |
| 4.4.3 实际交通场景中的聚类应用 | 第90-92页 |
| 4.5 本章小结 | 第92-94页 |
| 第五章 基于Dirichlet过程混合模型的车辆行为建模与分析 | 第94-116页 |
| 5.1 引言 | 第94页 |
| 5.2 车辆轨迹聚类方法研究现状 | 第94-96页 |
| 5.3 Dirichlet过程混合模型 | 第96-101页 |
| 5.3.1 Dirichlet过程的定义 | 第96-98页 |
| 5.3.2 Dirichlet过程混合模型 | 第98-99页 |
| 5.3.3 参数推导方法 | 第99-101页 |
| 5.4 基于增量式DPMM的轨迹聚类 | 第101-105页 |
| 5.4.1 模型描述 | 第101页 |
| 5.4.2 轨迹特征提取及表示 | 第101-102页 |
| 5.4.3 Gibbs抽样 | 第102-104页 |
| 5.4.4 基于增量式DPMM的轨迹聚类 | 第104-105页 |
| 5.5 车辆异常行为检测 | 第105-107页 |
| 5.5.1 运动轨迹模式学习 | 第105-106页 |
| 5.5.2 车辆异常行为检测 | 第106-107页 |
| 5.6 实验结果与分析 | 第107-114页 |
| 5.6.1 聚类结果分析 | 第108-110页 |
| 5.6.2 车辆异常行为检测验证 | 第110-114页 |
| 5.7 本章小结 | 第114-116页 |
| 第六章 总结与展望 | 第116-120页 |
| 6.1 工作总结 | 第116-117页 |
| 6.2 工作创新 | 第117-118页 |
| 6.3 研究展望 | 第118-120页 |
| 参考文献 | 第120-132页 |
| 攻读学位期间取得的研究成果 | 第132-134页 |
| 致谢 | 第134页 |
