| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题研究背景、目的与意义 | 第11-13页 |
| 1.1.1 课题研究背景 | 第11-13页 |
| 1.1.2 课题研究目的与意义 | 第13页 |
| 1.2 车辆检测跟踪研究现状 | 第13-17页 |
| 1.2.1 基于单目视觉的车辆检测研究现状 | 第13-15页 |
| 1.2.2 基于单目视觉的车辆跟踪研究现状 | 第15-16页 |
| 1.2.3 单目测距研究现状 | 第16-17页 |
| 1.3 课题研究的关键问题 | 第17-18页 |
| 1.4 主要研究内容与章节安排 | 第18-19页 |
| 第2章 基于Adaboost算法的运动车辆检测与识别 | 第19-53页 |
| 2.1 运动目标检测算法概述 | 第19-27页 |
| 2.1.1 帧差法 | 第19-23页 |
| 2.1.2 背景建模法 | 第23页 |
| 2.1.3 光流法 | 第23-27页 |
| 2.2 高斯混合模型 | 第27-34页 |
| 2.2.1 高斯混合模型概述 | 第27-29页 |
| 2.2.2 高斯混合模型的建立 | 第29-31页 |
| 2.2.3 实验结果与分析 | 第31-34页 |
| 2.3 基于Adaboost算法的目标车辆识别 | 第34-51页 |
| 2.3.1 Adaboost算法的分类原理 | 第34-37页 |
| 2.3.2 Adaboost算法的目标分类仿真实验 | 第37-42页 |
| 2.3.3 Haar-like特征与特征数量 | 第42-46页 |
| 2.3.4 AdaBoost算法训练流程 | 第46-51页 |
| 2.3.5 基于OPENCV平台的车辆识别 | 第51页 |
| 2.4 本章小结 | 第51-53页 |
| 第3章 行车状态的车辆目标跟踪研究 | 第53-91页 |
| 3.1 基于Meanshift算法的目标跟踪 | 第53-61页 |
| 3.1.1 Meanshift基本原理 | 第53-56页 |
| 3.1.2 基于MeanShift的目标跟踪算法设计 | 第56-60页 |
| 3.1.3 实验结果与分析 | 第60-61页 |
| 3.2 基于Camshift算法的目标跟踪 | 第61-66页 |
| 3.2.1 Camshift算法基本原理 | 第62-64页 |
| 3.2.2 实验结果与分析 | 第64-66页 |
| 3.3 基于粒子滤波的目标跟踪 | 第66-72页 |
| 3.3.1 粒子滤波算法 | 第67-70页 |
| 3.3.2 粒子滤波算法流程 | 第70页 |
| 3.3.3 实验结果与分析 | 第70-72页 |
| 3.4 基于高斯模型与Meanshift的车辆跟踪算法 | 第72-89页 |
| 3.4.1 建立目标车辆高斯混合模型 | 第72-77页 |
| 3.4.2 基于高斯混合模型的Meanshift算法跟踪 | 第77-81页 |
| 3.4.3 目标车辆位置与面积修正 | 第81-84页 |
| 3.4.4 基于粒子滤波跟踪算法的目标车辆丢失处理 | 第84-85页 |
| 3.4.5 融合跟踪算法流程及实验结果 | 第85-89页 |
| 3.5 本章小结 | 第89-91页 |
| 第4章 基于几何关系的车辆单目测距算法研究 | 第91-103页 |
| 4.1 建立摄像机系统模型 | 第91-94页 |
| 4.1.1 针孔模型 | 第91-92页 |
| 4.1.2 多种坐标系 | 第92-94页 |
| 4.2 构建单目测距模型 | 第94-101页 |
| 4.2.1 基于几何关系的投影模型 | 第94-99页 |
| 4.2.2 俯仰角修正 | 第99-101页 |
| 4.3 实验结果与分析 | 第101-102页 |
| 4.4 本章小结 | 第102-103页 |
| 第5章 总结与展望 | 第103-105页 |
| 5.1 总结 | 第103页 |
| 5.2 展望 | 第103-105页 |
| 参考文献 | 第105-111页 |
| 致谢 | 第111页 |
