移动变尺度目标检测与跟踪算法研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第12-29页 |
| 1.1 研究背景和意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-23页 |
| 1.2.1 移动变尺度目标检测技术研究现状 | 第14-18页 |
| 1.2.2 移动变尺度目标跟踪技术研究现状 | 第18-20页 |
| 1.2.3 智能交通系统研究现状 | 第20-23页 |
| 1.3 目标检测跟踪影响因素 | 第23-25页 |
| 1.3.1 场景因素 | 第23-24页 |
| 1.3.2 距离因素 | 第24页 |
| 1.3.3 姿态因素 | 第24-25页 |
| 1.4 本文的主要贡献与创新 | 第25-27页 |
| 1.5 本论文的结构安排 | 第27-29页 |
| 第二章 复杂动态道路场景中的目标稳健检测 | 第29-54页 |
| 2.1 复杂动态道路场景层级认知 | 第29-37页 |
| 2.1.1 目标尺度信息先验认知 | 第30-31页 |
| 2.1.2 车周光照场景后验认知 | 第31-37页 |
| 2.2 车辆自适应检测 | 第37-46页 |
| 2.2.1 车辆假设自适应生成 | 第37-39页 |
| 2.2.2 车辆假设三阶集成验证 | 第39-44页 |
| 2.2.3 车辆假设非通视检验 | 第44-46页 |
| 2.3 实验验证 | 第46-53页 |
| 2.3.1 仿真试验 | 第47-51页 |
| 2.3.2 车载实验 | 第51-53页 |
| 2.4 本章小结 | 第53-54页 |
| 第三章 基于车牌捕获的车辆近距稳健检测 | 第54-74页 |
| 3.1 结构图模型目标捕获理论分析 | 第54-57页 |
| 3.1.1 最大稳定极值区域 | 第54-55页 |
| 3.1.2 有向概率图模型 | 第55-57页 |
| 3.2 算法概述 | 第57-58页 |
| 3.3 算法设计 | 第58-68页 |
| 3.3.1 车牌结构显著字符节点提取 | 第58-59页 |
| 3.3.2 标签可位移扩展链节点初始标记 | 第59-62页 |
| 3.3.3 标签可位移扩展链结构认知 | 第62-68页 |
| 3.4 实验验证 | 第68-73页 |
| 3.4.1 基于车牌捕获的车辆检测稳健性实测验证 | 第68-70页 |
| 3.4.2 车牌捕获多尺度适用性实测验证 | 第70-72页 |
| 3.4.3 车牌捕获实时性验证 | 第72-73页 |
| 3.5 本章小结 | 第73-74页 |
| 第四章 临界变距车辆位置关联混合滤波跟踪 | 第74-95页 |
| 4.1 前视空域成像模型分析 | 第74-79页 |
| 4.1.1 中远距离目标全局轮廓空域成像模型分析 | 第75-77页 |
| 4.1.2 近距离目标局部特征空域成像模型分析 | 第77-79页 |
| 4.2 距离关联滤波跟踪方法设计 | 第79-89页 |
| 4.2.1 卡尔曼滤波适应性分析 | 第79-82页 |
| 4.2.2 位置关联混合滤波跟踪 | 第82-89页 |
| 4.3 实验验证 | 第89-93页 |
| 4.3.1 车辆跟踪距离关联准确性验证 | 第89-90页 |
| 4.3.2 车辆跟踪实测性能验证 | 第90-93页 |
| 4.4 本章小结 | 第93-95页 |
| 第五章 变姿转向车辆的联合检测跟踪 | 第95-123页 |
| 5.1 深度卷积流模型分析 | 第95-100页 |
| 5.1.1 深度卷积神经网络 | 第96-99页 |
| 5.1.2 马尔科夫随机场 | 第99-100页 |
| 5.2 算法概述 | 第100-101页 |
| 5.3 算法设计 | 第101-112页 |
| 5.3.1 网络预训练 | 第101-103页 |
| 5.3.2 深度卷积流计算与可视化 | 第103-107页 |
| 5.3.3 变姿转向车辆跟踪 | 第107-112页 |
| 5.4 实验验证 | 第112-121页 |
| 5.4.1 测试数据集 | 第112-113页 |
| 5.4.2 变姿转向车辆跟踪性能验证 | 第113-121页 |
| 5.5 本章小结 | 第121-123页 |
| 第六章 全文总结与展望 | 第123-126页 |
| 6.1 全文总结 | 第123-124页 |
| 6.2 后续工作展望 | 第124-126页 |
| 致谢 | 第126-128页 |
| 参考文献 | 第128-139页 |
| 攻读博士学位期间取得的成果 | 第139页 |
