| 摘要 | 第3-4页 |
| ABSTRACT | 第4-5页 |
| 1 绪论 | 第9-17页 |
| 1.1 选题背景和意义 | 第9-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 基于虚拟传感器的交通参数提取方法 | 第11页 |
| 1.2.2 基于运动检测和跟踪的交通参数提取方法 | 第11-13页 |
| 1.3 本课题的研究基本思路 | 第13-15页 |
| 1.4 本文的内容 | 第15-17页 |
| 2 运动车辆检测方法研究 | 第17-33页 |
| 2.1 引言 | 第17页 |
| 2.2 运动车辆检测方法概述 | 第17-19页 |
| 2.2.1 帧间差分法 | 第17-18页 |
| 2.2.2 简单背景差分法 | 第18-19页 |
| 2.3 二值化图像阈值选取 | 第19-21页 |
| 2.4 典型背景建模方法介绍 | 第21-24页 |
| 2.4.1 中值滤波法 | 第21-22页 |
| 2.4.2 加权平均背景建模 | 第22-23页 |
| 2.4.3 单高斯背景模型 | 第23-24页 |
| 2.5 基于混合高斯模型的运动检测方法 | 第24-27页 |
| 2.5.1 混合高斯模型 | 第24-25页 |
| 2.5.2 典型混合高斯模型算法 | 第25-27页 |
| 2.6 EM 算法改进的 GMM 运动检测算法 | 第27-30页 |
| 2.6.1 EM 算法基本原理 | 第27-28页 |
| 2.6.2 基于 EM 算法的混合高斯模型参数估计 | 第28-29页 |
| 2.6.3 实验结果与分析 | 第29-30页 |
| 2.7 本章小结 | 第30-33页 |
| 3 复杂环境下的车辆检测及道路交通状态评判 | 第33-51页 |
| 3.1 引言 | 第33页 |
| 3.2 ROI 区域的设定 | 第33-34页 |
| 3.3 移动阴影环境下车辆检测 | 第34-40页 |
| 3.3.1 明亮度分析 | 第35-36页 |
| 3.3.2 基于 HSI 颜色空间的阴影消除方法 | 第36-38页 |
| 3.3.3 融合边缘特征的阴影消除方法 | 第38-40页 |
| 3.4 雨雾天及光线不足情况下的车辆检测 | 第40-43页 |
| 3.4.1 图像直方图 | 第41页 |
| 3.4.2 直方图均衡化 | 第41-42页 |
| 3.4.3 彩色图像均衡化处理 | 第42-43页 |
| 3.5 遮挡情况下的车辆检测 | 第43-46页 |
| 3.5.1 遮挡车辆检测 | 第44-45页 |
| 3.5.2 遮挡车辆分割 | 第45-46页 |
| 3.6 道路交通状态判别方法 | 第46-49页 |
| 3.6.1 可分割出运动车辆时的交通状态判别 | 第46-47页 |
| 3.6.2 无法分割出运动车辆时的交通状态判别 | 第47-49页 |
| 3.7 本章小结 | 第49-51页 |
| 4 基于跟踪方法的车流量统计 | 第51-61页 |
| 4.1 引言 | 第51-52页 |
| 4.2 跟踪算法的实现 | 第52-54页 |
| 4.3 Kalman 滤波器原理 | 第54-56页 |
| 4.4 跟踪模型建立 | 第56-57页 |
| 4.5 Kalman 滤波器具体实现 | 第57页 |
| 4.6 目标匹配 | 第57-59页 |
| 4.7 基于跟踪方法的车流量统计结果 | 第59-60页 |
| 4.8 本章小结 | 第60-61页 |
| 5 基于 BP 神经网络的车型分类 | 第61-71页 |
| 5.1 引言 | 第61页 |
| 5.2 车型分类方法研究现状 | 第61-62页 |
| 5.3 车辆特征选择与提取 | 第62-63页 |
| 5.4 BP 神经网络算法 | 第63-66页 |
| 5.5 训练样本特征计算 | 第66-68页 |
| 5.6 车型分类的 BP 神经网络设计 | 第68页 |
| 5.7 实验结果与分析 | 第68-69页 |
| 5.8 本章小结 | 第69-71页 |
| 6 总结和展望 | 第71-73页 |
| 6.1 总结 | 第71页 |
| 6.2 展望 | 第71-73页 |
| 致谢 | 第73-75页 |
| 参考文献 | 第75-78页 |