公交紧急状况智能检测系统的研究和设计
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第一章 绪论 | 第7-12页 |
| 1.1 研究背景和意义 | 第7-8页 |
| 1.2 国内外研究现状 | 第8-10页 |
| 1.2.1 智能视频的研究现状 | 第8-9页 |
| 1.2.2 智能音频的研究现状 | 第9-10页 |
| 1.3 主要研究内容和创新点 | 第10-11页 |
| 1.4 论文的组织结构 | 第11-12页 |
| 第二章 运动前景提取 | 第12-27页 |
| 2.1 图像预处理 | 第12-16页 |
| 2.1.1 图像灰度处理 | 第12-13页 |
| 2.1.2 图像滤波 | 第13-14页 |
| 2.1.3 数学形态学处理 | 第14-16页 |
| 2.2 常见的运动前景提取算法 | 第16-20页 |
| 2.2.1 帧差法 | 第16-17页 |
| 2.2.2 背景差分法 | 第17-18页 |
| 2.2.3 混合高斯背景建模 | 第18-19页 |
| 2.2.4 ViBe背景建模 | 第19-20页 |
| 2.3 改进的前景提取算法 | 第20-25页 |
| 2.3.1 主运动区域提取 | 第20-21页 |
| 2.3.2 改进帧差法 | 第21-23页 |
| 2.3.3 像素匹配法 | 第23-25页 |
| 2.4 本章小结 | 第25-27页 |
| 第三章 基于能量的群体紧急状况辨识 | 第27-35页 |
| 3.1 视频的能量描述 | 第27页 |
| 3.2 运动提取及约束 | 第27-30页 |
| 3.2.1 特征点提取 | 第27-28页 |
| 3.2.2 光流特征提取 | 第28-29页 |
| 3.2.3 引入运动约束 | 第29-30页 |
| 3.3 基于能量特征的群体紧急状况辨识 | 第30-34页 |
| 3.3.1 动态特征 | 第30页 |
| 3.3.2 能量计算公式 | 第30-31页 |
| 3.3.3 建立KPA模型辨识紧急状况 | 第31-32页 |
| 3.3.4 实验结果讨论 | 第32-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第四章 异常声音检测的相关技术 | 第35-43页 |
| 4.1 时域特征参数 | 第36-37页 |
| 4.1.1 短时平均过零率 | 第36-37页 |
| 4.1.2 短时帧能量和短时平均幅度 | 第37页 |
| 4.2 频域特征参数 | 第37-38页 |
| 4.3 倒谱特征参数 | 第38-40页 |
| 4.3.1 线性预测倒谱系数 | 第38页 |
| 4.3.2 梅尔频率倒谱系数 | 第38-40页 |
| 4.4 隐马尔可夫模型 | 第40-42页 |
| 4.4.1 HMM五元素 | 第40-41页 |
| 4.4.2 观察状态匹配概率 | 第41-42页 |
| 4.5 本章小结 | 第42-43页 |
| 第五章 异常声音检测与识别 | 第43-50页 |
| 5.1 异常声音检测流程 | 第43页 |
| 5.2 预处理 | 第43-44页 |
| 5.3 声音端点检测 | 第44-46页 |
| 5.3.1 声音端点检测参数 | 第44页 |
| 5.3.2 端点检测实验 | 第44-46页 |
| 5.4 特征参数设定 | 第46页 |
| 5.5 异常声音训练与识别 | 第46-49页 |
| 5.5.1 HMM模型训练 | 第46-48页 |
| 5.5.2 HMM模型声音识别 | 第48页 |
| 5.5.3 实验结果仿真与探讨 | 第48-49页 |
| 5.6 本章小结 | 第49-50页 |
| 第六章 公交车智能检测系统设计 | 第50-56页 |
| 6.1 系统架构设计 | 第50页 |
| 6.2 算法流程图 | 第50-51页 |
| 6.3 系统功能设计 | 第51-55页 |
| 6.4 本章小结 | 第55-56页 |
| 第七章 主要结论与展望 | 第56-58页 |
| 主要结论 | 第56页 |
| 展望 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 附录: 作者在攻读硕士学位期间发表的论文 | 第62页 |
