监控视频中基于在线学习的车辆跟踪检测算法与实现
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-12页 |
| 1.1 课题的研究背景及意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.3 研究内容以及结构安排 | 第10-12页 |
| 第二章 运动目标检测 | 第12-27页 |
| 2.1 视频的预处理 | 第13-15页 |
| 2.1.1 图像增强 | 第13-14页 |
| 2.1.2 图像去噪 | 第14-15页 |
| 2.2 背景建模及其更新 | 第15-19页 |
| 2.2.1 改进的帧差法 | 第15-17页 |
| 2.2.2 混合高斯背景建模 | 第17-19页 |
| 2.3 形态学处理以及目标选定 | 第19-22页 |
| 2.3.1 腐蚀和膨胀 | 第19-20页 |
| 2.3.2 开闭运算区域填充和连通 | 第20-22页 |
| 2.4 阴影去除 | 第22-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 静止目标检测 | 第27-38页 |
| 3.1 特征建模与更新 | 第27-32页 |
| 3.1.1 特征向量 | 第27-28页 |
| 3.1.2 纹理特征和颜色特征 | 第28-31页 |
| 3.1.3 特征向量的更新 | 第31-32页 |
| 3.2 特征匹配和图像分割 | 第32-36页 |
| 3.2.1 特征匹配 | 第32-35页 |
| 3.2.2 图像分割 | 第35-36页 |
| 3.3 后期处理及算法流程 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 基于在线学习的目标跟踪和分类 | 第38-55页 |
| 4.1 在线学习 | 第39-43页 |
| 4.2 基于级联分类器的目标跟踪 | 第43-46页 |
| 4.2.1 基于在线学习的级联分类器 | 第43-44页 |
| 4.2.2 粒子滤波 | 第44-45页 |
| 4.2.3 基于级联分类器和粒子滤波的跟踪 | 第45-46页 |
| 4.3 基于稀疏编码的目标跟踪 | 第46-51页 |
| 4.3.1 去除误检 | 第48-49页 |
| 4.3.2 提取漏检 | 第49-51页 |
| 4.4 实验结果分析 | 第51-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第五章 车辆违章检测实现 | 第55-59页 |
| 5.1 车辆违章停泊检测 | 第55-56页 |
| 5.2 车辆逆行检测 | 第56-57页 |
| 5.3 系统实现 | 第57-58页 |
| 5.4 本章小结 | 第58-59页 |
| 第六章 总结和展望 | 第59-61页 |
| 6.1 研究工作总结 | 第59页 |
| 6.2 本文的创新之处 | 第59-60页 |
| 6.3 不足和展望 | 第60-61页 |
| 参考文献 | 第61-64页 |
| 附录1 程序清单 | 第64-65页 |
| 附录2 攻读硕士学位期间撰写的论文 | 第65-66页 |
| 附录3 攻读硕士学位期间申请的专利 | 第66-67页 |
| 附录4 攻读硕士学位期间参加的科研项目 | 第67-68页 |
| 致谢 | 第68页 |
