| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第15-22页 |
| 1.1 研究意义及背景 | 第15-16页 |
| 1.2 面向交通监控视频的图像异常检测系统研究现状 | 第16-17页 |
| 1.3 超分辨重建方法分类及研究现状 | 第17-21页 |
| 1.3.1 基于插值的图像超分辨率重建 | 第17页 |
| 1.3.2 基于重建的图像超分辨重建 | 第17-19页 |
| 1.3.3 基于学习的图像超分辨重建 | 第19-21页 |
| 1.4 本文的主要内容及章节安排 | 第21-22页 |
| 第二章 面向交通监控视频的图像异常检测系统开发 | 第22-36页 |
| 2.1 相关技术 | 第22-24页 |
| 2.2 视频异常算法设计 | 第24-29页 |
| 2.2.1 亮度异常检测 | 第24-25页 |
| 2.2.2 无信号异常检测 | 第25-26页 |
| 2.2.3 模糊异常检测 | 第26-27页 |
| 2.2.4 噪点异常检测 | 第27-29页 |
| 2.3 实验结果 | 第29-35页 |
| 2.3.1 异常检测算法实验 | 第29-32页 |
| 2.3.2 系统测试 | 第32-35页 |
| 2.4 本章小结 | 第35-36页 |
| 第三章 图像超分辨率重建算法 | 第36-48页 |
| 3.1 基于邻域嵌入的超分辨重建方法 | 第36-39页 |
| 3.1.1 流行学习 | 第36-37页 |
| 3.1.2 邻域嵌入算法 | 第37-39页 |
| 3.2 基于稀疏表示的超分辨重建方法 | 第39-44页 |
| 3.2.1 稀疏表示的理论模型 | 第39-40页 |
| 3.2.2 稀疏系数优化求解 | 第40-42页 |
| 3.2.3 字典学习 | 第42-44页 |
| 3.3 基于自相似性的超分辨重建方法 | 第44-46页 |
| 3.3.1 图像多尺度结构自相似性 | 第44-45页 |
| 3.3.2 相似性的度量 | 第45-46页 |
| 3.4 本章小结 | 第46-48页 |
| 第四章 基于自适应权重学习的混合超分辨率重建方法 | 第48-61页 |
| 4.1 基于外部数据学习的超分辨重建算法 | 第48-50页 |
| 4.1.1 锚定邻域回归 | 第48-49页 |
| 4.1.2 全局回归 | 第49-50页 |
| 4.2 基于内部数据自相似性的超分辨重建方法 | 第50-51页 |
| 4.2.1 自相似性算法 | 第50-51页 |
| 4.2.2 基于内部数据自相似性的超分辨重建算法 | 第51页 |
| 4.3 自适应权重学习 | 第51-53页 |
| 4.3.1 自适应权重计算 | 第52页 |
| 4.3.2 基于自适应权重学习的混合超分辨重建方法 | 第52-53页 |
| 4.4 实验仿真结果与分析 | 第53-60页 |
| 4.4.1 重建质量评价指标 | 第53-54页 |
| 4.4.2 实验数据集以及对比方法介绍 | 第54-55页 |
| 4.4.3 图像超分辨率重建实验对比 | 第55-60页 |
| 4.5 本章小结 | 第60-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 5.1 工作总结 | 第61-62页 |
| 5.2 工作展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第67-69页 |