| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-16页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-14页 |
| 1.2.1 车辆检测 | 第10-12页 |
| 1.2.2 车辆跟踪 | 第12-14页 |
| 1.3 本文概述 | 第14-16页 |
| 1.3.1 本文所做的主要工作和特点 | 第14-15页 |
| 1.3.2 本文内容安排 | 第15-16页 |
| 第二章 基于级联AdaBoost的低分辨率快速车辆检测算法 | 第16-43页 |
| 2.1 低分辨率车辆特征提取 | 第16-25页 |
| 2.1.1 车辆特征分析 | 第16-17页 |
| 2.1.2 Haar-like特征 | 第17-20页 |
| 2.1.3 低分辨率Haar-like特征 | 第20-22页 |
| 2.1.4 Haar-like特征计算 | 第22-25页 |
| 2.2 级联AdaBoost车辆分类器 | 第25-32页 |
| 2.2.1 AdaBoost分类器 | 第25-27页 |
| 2.2.2 级联分类器 | 第27-28页 |
| 2.2.3 级联分类器对低分辨率车辆有效性分析 | 第28-29页 |
| 2.2.4 级联分类器训练 | 第29-32页 |
| 2.3 低分辨率车辆检测 | 第32-34页 |
| 2.3.1 检测总体框架 | 第32-33页 |
| 2.3.2 具体实现 | 第33-34页 |
| 2.4 实验结果及分析 | 第34-42页 |
| 2.4.1 实验数据 | 第34-37页 |
| 2.4.2 实验结果 | 第37-42页 |
| 2.5 本章小结 | 第42-43页 |
| 第三章 基于车辆检测的实时跟踪算法 | 第43-59页 |
| 3.1 Mean Shift算法理论及其扩展形式 | 第43-46页 |
| 3.1.1 基本Mean Shift | 第43-44页 |
| 3.1.2 扩展的Mean Shift | 第44-45页 |
| 3.1.3 Mean Shift算法过程 | 第45-46页 |
| 3.2 基于颜色的Mean Shift车辆跟踪算法 | 第46-50页 |
| 3.2.1 颜色直方图 | 第46-47页 |
| 3.2.2 目标模型 | 第47页 |
| 3.2.3 候选目标模型 | 第47-48页 |
| 3.2.4 相似度度量 | 第48页 |
| 3.2.5 运动车辆跟踪的实现过程 | 第48-50页 |
| 3.3 面向拥堵场景的车辆跟踪算法 | 第50-55页 |
| 3.3.1 基于欧式距离的车辆匹配 | 第50-52页 |
| 3.3.2 算法具体过程 | 第52-54页 |
| 3.3.3 拥挤场景下跟踪算法有效性分析 | 第54-55页 |
| 3.4 实验结果及分析 | 第55-58页 |
| 3.5 本章小结 | 第58-59页 |
| 第四章 基于低分辨率车辆检测与跟踪的电子警察系统 | 第59-67页 |
| 4.1 系统构成 | 第59-60页 |
| 4.2 软件设计 | 第60-61页 |
| 4.3 软件界面 | 第61-62页 |
| 4.4 功能实现及应用案例 | 第62-66页 |
| 4.4.1 占用公交道检测 | 第62-64页 |
| 4.4.2 车辆逆行检测 | 第64-66页 |
| 4.5 本章小结 | 第66-67页 |
| 第五章 结论与展望 | 第67-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-74页 |
| 攻硕期间取得的研究成果 | 第74-75页 |