基于视频的交通事件检测算法研究
| 摘要 | 第8-9页 |
| ABSTRACT | 第9页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 基于视频的交通事件自动检测技术 | 第12-13页 |
| 1.3 本文研究内容及技术路线 | 第13-14页 |
| 1.4 章节安排 | 第14-16页 |
| 第二章 交通场景下的运动目标检测 | 第16-36页 |
| 2.1 运动目标检测算法 | 第16-18页 |
| 2.1.1 帧差法 | 第16页 |
| 2.1.2 光流法 | 第16-17页 |
| 2.1.3 背景差分法 | 第17-18页 |
| 2.2 背景重建 | 第18-25页 |
| 2.2.1 背景提取算法 | 第18-22页 |
| 2.2.2 二值化阈值选取 | 第22-24页 |
| 2.2.3 背景更新 | 第24-25页 |
| 2.3 前景目标分割 | 第25-30页 |
| 2.3.1 形态学处理 | 第25-29页 |
| 2.3.2 基于区域的目标分割 | 第29-30页 |
| 2.4 实验结果分析 | 第30-34页 |
| 2.5 小结 | 第34-36页 |
| 第三章 运动目标的跟踪 | 第36-56页 |
| 3.1 引言 | 第36页 |
| 3.2 常用目标跟踪算法 | 第36-38页 |
| 3.2.1 基于特征的跟踪 | 第36-37页 |
| 3.2.2 基于3D模型的跟踪 | 第37页 |
| 3.2.3 基于动态轮廓的跟踪 | 第37页 |
| 3.2.4 基于区域的跟踪 | 第37-38页 |
| 3.3 卡尔曼(Kalman)滤波器简介 | 第38-41页 |
| 3.4 目标状态特征表达 | 第41-45页 |
| 3.4.1 目标状态特征选取 | 第41-44页 |
| 3.4.2 目标状态表达 | 第44-45页 |
| 3.5 基于状态特征匹配的运动目标跟踪 | 第45-51页 |
| 3.5.1 目标特征提取 | 第46页 |
| 3.5.2 目标状态预测 | 第46-47页 |
| 3.5.3 目标特征匹配 | 第47-49页 |
| 3.5.4 模型更新 | 第49-51页 |
| 3.6 实验结果分析 | 第51-53页 |
| 3.7 小结 | 第53-56页 |
| 第四章 运动模式识别与交通事件检测 | 第56-66页 |
| 4.1 运动模式识别 | 第56-60页 |
| 4.2 交通事件检测 | 第60-65页 |
| 4.2.1 交通事件分析 | 第60-63页 |
| 4.2.2 交通事件检测 | 第63-65页 |
| 4.3 小结 | 第65-66页 |
| 第五章 总结与展望 | 第66-68页 |
| 5.1 总结 | 第66页 |
| 5.2 展望 | 第66-68页 |
| 参考文献 | 第68-72页 |
| 致谢 | 第72-74页 |
| 攻读硕士期间取得的科研成果和参与的项目 | 第74-75页 |
| 附件 | 第75页 |
