| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第14-20页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 研究现状分析 | 第15-18页 |
| 1.3 本文研究 | 第18-19页 |
| 1.4 本文组织结构 | 第19-20页 |
| 第2章 违章停车检测的原理及背景建模 | 第20-37页 |
| 2.1 违章停车检测原理及处理流程 | 第20页 |
| 2.2 图像采集及摄像机介绍 | 第20-21页 |
| 2.3 图像预处理介绍 | 第21-26页 |
| 2.3.1 图像灰度化 | 第22页 |
| 2.3.2 图像噪声抑制 | 第22-24页 |
| 2.3.3 图像增强 | 第24-26页 |
| 2.4 背景建模 | 第26-30页 |
| 2.4.1 光流法 | 第26-27页 |
| 2.4.2 帧差法 | 第27-28页 |
| 2.4.3 背景差分法 | 第28-30页 |
| 2.5 基于混合高斯背景建模的车辆停靠检测算法 | 第30-36页 |
| 2.5.1 单分布高斯背景建模 | 第30-31页 |
| 2.5.2 混合高斯分布背景建模 | 第31-32页 |
| 2.5.3 基于混合高斯背景建模的车辆停靠检测算法 | 第32-36页 |
| 2.6 小结 | 第36-37页 |
| 第3章 基于特征融合和BP神经网络的车辆识别算法 | 第37-53页 |
| 3.1 基于视频图像的物体检测识别 | 第37页 |
| 3.2 物体图像特征介绍 | 第37-39页 |
| 3.2.1 颜色特征 | 第38页 |
| 3.2.2 纹理特征 | 第38-39页 |
| 3.2.3 形状特征 | 第39页 |
| 3.3 灰度共生矩和Hu矩的特征融合 | 第39-42页 |
| 3.3.1 灰度共生矩特征 | 第40-41页 |
| 3.3.2 Hu不变矩特征 | 第41-42页 |
| 3.4 基于特征融合和BP神经网络的车辆识别算法 | 第42-52页 |
| 3.4.1 机器学习介绍 | 第42-44页 |
| 3.4.2 BP神经网络原理 | 第44-50页 |
| 3.4.3 基于特征融合和BP神经网络的车辆识别算法 | 第50-52页 |
| 3.5 小结 | 第52-53页 |
| 第4章 违章停车检测系统的体系结构 | 第53-68页 |
| 4.1 开发环境及开发库介绍 | 第53-55页 |
| 4.1.1 计算机视觉库OpenCV介绍 | 第53-55页 |
| 4.1.2 C++图像用户界面库QT介绍 | 第55页 |
| 4.2 违章停车检测系统模块和功能设计 | 第55-65页 |
| 4.2.1 视频图像数据获取模块 | 第56-57页 |
| 4.2.2 特征计算模块 | 第57页 |
| 4.2.3 背景建模模块 | 第57-59页 |
| 4.2.4 非法停靠检测模块 | 第59-60页 |
| 4.2.5 车辆识别模块和训练分类器模块 | 第60-62页 |
| 4.2.6 UI用户界面模块 | 第62-65页 |
| 4.3 违章停车检测系统整体设计介绍 | 第65-67页 |
| 4.3.1 训练分类器模块 | 第66页 |
| 4.3.2 违章停车检测模块 | 第66-67页 |
| 4.3.3 子功能模块 | 第67页 |
| 4.4 小结 | 第67-68页 |
| 第5章 实验及测试 | 第68-82页 |
| 5.1 实验平台 | 第68-70页 |
| 5.1.1 实验环境的搭建 | 第68-69页 |
| 5.1.2 OpenCV源代码的编译 | 第69-70页 |
| 5.2 实验测试数据集 | 第70页 |
| 5.3 实验结果分析 | 第70-78页 |
| 5.3.1 混合高斯背景建模实验 | 第70-71页 |
| 5.3.2 停靠检测实验 | 第71-73页 |
| 5.3.3 BP神经网络实验 | 第73-74页 |
| 5.3.4 车辆识别实验 | 第74-78页 |
| 5.4 违章停车检测系统展示 | 第78-81页 |
| 5.5 小结 | 第81-82页 |
| 结论 | 第82-84页 |
| 参考文献 | 第84-88页 |
| 致谢 | 第88页 |