公交客流视频检测及其在调度中的应用
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 第1章 绪论 | 第11-20页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 国内外研究现状 | 第13-17页 |
| 1.2.1 时刻表编制研究现状 | 第13-15页 |
| 1.2.2 公交视频检测研究现状 | 第15-17页 |
| 1.3 研究内容及框架 | 第17-20页 |
| 1.3.1 研究内容 | 第17-18页 |
| 1.3.2 论文结构 | 第18-20页 |
| 第2章 公交客流检测视频监控方案 | 第20-28页 |
| 2.1 公交客流检测系统 | 第20页 |
| 2.2 客流检测环境分析 | 第20-23页 |
| 2.2.1 公交车内部检测环境复杂性分析 | 第21页 |
| 2.2.2 高峰期检测目标特性分析 | 第21-23页 |
| 2.3 乘客视频采集方案比较 | 第23-27页 |
| 2.3.1 拍摄区域 | 第23-24页 |
| 2.3.2 拍摄角度 | 第24-25页 |
| 2.3.3 实验样本 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第3章 乘客运动目标检测 | 第28-51页 |
| 3.1 目标检测流程 | 第28-30页 |
| 3.1.1 目标检测一般流程 | 第28-29页 |
| 3.1.2 本文目标检测流程 | 第29-30页 |
| 3.2 常用目标检测技术 | 第30-36页 |
| 3.2.1 前景区域提取方法综述 | 第30-33页 |
| 3.2.2 目标分割技术综述 | 第33-36页 |
| 3.3 帧间差分和背景差分结合的运动区域提取 | 第36-41页 |
| 3.3.1 帧间差分 | 第36-38页 |
| 3.3.2 背景差分 | 第38-39页 |
| 3.3.3 ROI区域网格化处理 | 第39-41页 |
| 3.4 基于轮廓标记分水岭算法的目标分割 | 第41-44页 |
| 3.4.1 分水岭算法 | 第41-42页 |
| 3.4.2 基于轮廓标记的分水岭算法 | 第42-44页 |
| 3.5 基于边界轮廓的目标识别 | 第44-50页 |
| 3.5.1 分割目标特征 | 第44-46页 |
| 3.5.2 目标识别算法 | 第46-50页 |
| 3.6 本章小结 | 第50-51页 |
| 第4章 基于乘客运动特征的计数 | 第51-59页 |
| 4.1 目标计数方法分析 | 第51-53页 |
| 4.1.1 常用目标追踪方法 | 第51-52页 |
| 4.1.2 目标计数准则 | 第52-53页 |
| 4.2 目标追踪 | 第53-55页 |
| 4.3 基于乘客运动特征的计数 | 第55-58页 |
| 4.3.1 乘客运动行为分析 | 第55-56页 |
| 4.3.2 客流判定准则的确定 | 第56-57页 |
| 4.3.3 计数效果分析 | 第57-58页 |
| 4.4 本章小结 | 第58-59页 |
| 第5章 基于视频数据的行车时刻表编制 | 第59-73页 |
| 5.1 时刻表编制概要 | 第59-61页 |
| 5.1.1 时刻表编制流程 | 第59-60页 |
| 5.1.2 时刻表编制关键点分析 | 第60-61页 |
| 5.2 视频数据处理分析 | 第61-65页 |
| 5.2.1 视频客流数据采集 | 第61-62页 |
| 5.2.2 数据分析目标及内容 | 第62页 |
| 5.2.3 数据处理过程分析 | 第62-65页 |
| 5.3 基于视频数据的时刻表编制算法 | 第65-72页 |
| 5.3.1 算法设计 | 第65-68页 |
| 5.3.2 算例分析 | 第68-72页 |
| 5.4 本章小结 | 第72-73页 |
| 结论 | 第73-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-81页 |
| 附录 | 第81-84页 |
| 攻读硕士学位期间发表的论文 | 第84页 |
