| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第一章 绪论 | 第14-30页 |
| 1.1 论文来源 | 第14页 |
| 1.2 研究背景及意义 | 第14-16页 |
| 1.3 国内外研究现状 | 第16-27页 |
| 1.3.1 基于视频的交通信息检测技术研究现状 | 第16-20页 |
| 1.3.2 高速公路行程时间估计与交通拥堵预测研究现状 | 第20-27页 |
| 1.4 论文研究内容及结构安排 | 第27-29页 |
| 1.5 本章小结 | 第29-30页 |
| 第二章 基于计算机视觉的交通流参数鲁棒性检测研究 | 第30-58页 |
| 2.1 引言 | 第30-31页 |
| 2.2 方法架构 | 第31-40页 |
| 2.2.1 整体架构 | 第31-32页 |
| 2.2.2 影响鲁棒性的因素 | 第32-35页 |
| 2.2.3 鲁棒性检测算法 | 第35-40页 |
| 2.3 基于区域的 CB 算法 | 第40-53页 |
| 2.4 实验结果 | 第53-57页 |
| 2.4.1 实验系统构建与数据处理流程 | 第53-54页 |
| 2.4.2 检测结果对比 | 第54-57页 |
| 2.5 本章小结 | 第57-58页 |
| 第三章 基于高速公路监控视频的车型分类方法研究 | 第58-94页 |
| 3.1 引言 | 第58页 |
| 3.2 相关原理 | 第58-60页 |
| 3.2.1 图像特征提取原理 | 第58-59页 |
| 3.2.2 稀疏编码原理 | 第59页 |
| 3.2.3 SVM 原理 | 第59-60页 |
| 3.2.4 BOW 算法原理 | 第60页 |
| 3.3 一种基于多模态融合的车型分类方法 | 第60-87页 |
| 3.3.1 车型分类流程框架 | 第60-63页 |
| 3.3.2 监控视频中的车辆图像提取 | 第63-69页 |
| 3.3.3 车型特征提取及改进 BOW 的车型分类方法 | 第69-74页 |
| 3.3.4 一种基于稀疏编码的图像去噪增强算法 | 第74-78页 |
| 3.3.5 一种基于边缘的深信网络中车型分类方法 | 第78-83页 |
| 3.3.6 一种基于神经网络的决策级数据的多模态融合方法 | 第83-87页 |
| 3.4 实验结果及分析 | 第87-92页 |
| 3.4.1 数据集的建立 | 第87-88页 |
| 3.4.2 实验结果与分析 | 第88-91页 |
| 3.4.3 实验结论 | 第91-92页 |
| 3.5 本章小结 | 第92-94页 |
| 第四章 基于监控视频的高速公路雾霾检测研究 | 第94-116页 |
| 4.1 引言 | 第94页 |
| 4.2 基于监控视频的高速公路雾霾检测 | 第94-111页 |
| 4.2.1 检测算法框架 | 第95-96页 |
| 4.2.2 图像预处理 | 第96-100页 |
| 4.2.3 一种基于 SVM 的雾霾级别检测方法 | 第100-111页 |
| 4.3 实验结果与分析 | 第111-115页 |
| 4.3.1 实验数据集建立 | 第111-112页 |
| 4.3.2 实验结果与分析 | 第112-115页 |
| 4.3.3 实验总结 | 第115页 |
| 4.4 本章小结 | 第115-116页 |
| 第五章 高速公路交通状态融合判别与交通拥堵扩散研究 | 第116-139页 |
| 5.1 引言 | 第116页 |
| 5.2 用于高速交通状态判别的交通基础数据融合方法 | 第116-121页 |
| 5.2.1 高速公路交通流数据过滤方法 | 第117-119页 |
| 5.2.2 高速公路交通流数据修正方法研究 | 第119-120页 |
| 5.2.3 高速公路交通流数据平滑方法 | 第120-121页 |
| 5.3 高速公路交通拥挤机理分析和度量标准 | 第121页 |
| 5.3.1 高速公路交通拥挤机理分析 | 第121页 |
| 5.3.2 高速公路交通拥挤的度量标准 | 第121页 |
| 5.4 一种基于模糊聚类方法（FCM）的高速公路交通状态判别方法 | 第121-131页 |
| 5.4.1 模糊聚类方法基本原理 | 第122-124页 |
| 5.4.2 用于高速公路交通状态判别的模糊 C 均值聚类算法设计 | 第124-125页 |
| 5.4.3 算例分析 | 第125-131页 |
| 5.5 高速公路交通拥堵扩散模型研究 | 第131-138页 |
| 5.5.1 拥挤最大排队长度估算 | 第131-135页 |
| 5.5.2 交通拥挤扩散模型 | 第135-138页 |
| 5.6 本章小结 | 第138-139页 |
| 第六章 高速公路网行程时间融合估计与预测研究 | 第139-159页 |
| 6.1 引言 | 第139-140页 |
| 6.2 基于车牌识别或收费数据的行程时间估计 | 第140-152页 |
| 6.2.1 车牌识别或收费数据的处理方法研究 | 第140-143页 |
| 6.2.2 基于有限混合模型的行程时间估计模型 | 第143-146页 |
| 6.2.3 路径行程时间估计方法 | 第146-149页 |
| 6.2.4 算例分析 | 第149-152页 |
| 6.3 基于卡尔曼滤波的高速公路网行程时间融合估计与预测 | 第152-158页 |
| 6.3.1 高速公路网行程时间估计特性分析 | 第152-153页 |
| 6.3.2 基于卡尔曼滤波的高速公路网行程时间融合估计模型 | 第153-157页 |
| 6.3.3 算例分析 | 第157-158页 |
| 6.4 本章小结 | 第158-159页 |
| 第七章 广东省高速公路网运行监测与服务信息共享平台设计与实现 | 第159-173页 |
| 7.1 引言 | 第159页 |
| 7.2 项目背景 | 第159-160页 |
| 7.3 总体设计 | 第160-162页 |
| 7.3.1 平台功能定位 | 第160-161页 |
| 7.3.2 平台逻辑结构 | 第161页 |
| 7.3.3 平台主要功能结构 | 第161-162页 |
| 7.4 平台子系统及其应用情况介绍 | 第162-172页 |
| 7.4.1 联网设施设备管理子系统 | 第163页 |
| 7.4.2 交通流数据采集分析子系统 | 第163-165页 |
| 7.4.3 联网视频监控子系统 | 第165-167页 |
| 7.4.4 高清卡口车牌识别子系统 | 第167-168页 |
| 7.4.5 应急与救援子系统 | 第168-169页 |
| 7.4.6 交通地理信息子系统 | 第169-170页 |
| 7.4.7 出行信息服务子系统 | 第170页 |
| 7.4.8 基于移动互联网的“广东高速通”移动应用（APP） | 第170-172页 |
| 7.5 本章小结 | 第172-173页 |
| 结论与展望 | 第173-176页 |
| 参考文献 | 第176-191页 |
| 攻读博士学位期间取得的研究成果 | 第191-193页 |
| 致谢 | 第193-194页 |
| 附件 | 第194页 |
