| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.1.1 课题研究背景 | 第10页 |
| 1.1.2 课题研究目的及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 论文主要工作与创新及章节安排 | 第14-17页 |
| 1.3.1 论文主要工作与创新 | 第14-15页 |
| 1.3.2 论文章节安排 | 第15-17页 |
| 第二章 视频中多运动目标跟踪算法 | 第17-28页 |
| 2.1 引言 | 第17页 |
| 2.2 传统方法实验分析 | 第17-19页 |
| 2.2.1 帧间差分法 | 第17-18页 |
| 2.2.2 光流法 | 第18-19页 |
| 2.3 RNNs | 第19-21页 |
| 2.4 检测分类器加跟踪滤波器 | 第21-27页 |
| 2.4.1 分类器介绍 | 第21-23页 |
| 2.4.2 CamShift算法介绍 | 第23-24页 |
| 2.4.3 基于卡尔曼滤波的算法优化 | 第24-26页 |
| 2.4.4 跟踪实现及结果分析 | 第26-27页 |
| 2.5 本章小结 | 第27-28页 |
| 第三章 基于Faster R-CNN+KCF的车辆目标检测跟踪 | 第28-43页 |
| 3.1 引言 | 第28页 |
| 3.2 基于Faster R-CNN的车辆目标检测 | 第28-35页 |
| 3.2.1 Faster R-CNN简介 | 第28-29页 |
| 3.2.2 区域推荐网络与损失函数 | 第29-30页 |
| 3.2.3 车辆目标检测网络主体结构 | 第30-31页 |
| 3.2.4 车辆目标检测网络训练 | 第31-33页 |
| 3.2.5 网络对比与分析 | 第33-35页 |
| 3.3 多模板尺度自适应KCF跟踪 | 第35-39页 |
| 3.3.1 KCF简介 | 第35-36页 |
| 3.3.2 KCF多模板优化 | 第36-38页 |
| 3.3.3 多尺度自适应 | 第38页 |
| 3.3.4 实验结果对比与分析 | 第38-39页 |
| 3.4 系统整体结构与实验分析 | 第39-42页 |
| 3.4.1 目标检测跟踪系统结构 | 第39-40页 |
| 3.4.2 目标检测跟踪系统实验分析 | 第40-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 基于机器视觉的异常情况预警 | 第43-59页 |
| 4.1 引言 | 第43-44页 |
| 4.2 基于机器视觉的道路线检测 | 第44-51页 |
| 4.2.1 脊线检测 | 第44-45页 |
| 4.2.2 噪声过滤机制 | 第45-47页 |
| 4.2.3 优化时序RANSAC模型 | 第47-49页 |
| 4.2.4 平行增强技术与检测效果 | 第49-51页 |
| 4.3 基于单目视觉测距算法 | 第51-55页 |
| 4.3.1 摄像机坐标系转换推导 | 第51-52页 |
| 4.3.2 摄像机测距模型 | 第52-54页 |
| 4.3.3 对比实验与分析 | 第54-55页 |
| 4.4 结合目标检测跟踪的异常情况预警实现 | 第55-58页 |
| 4.5 本章小结 | 第58-59页 |
| 第五章 总结与展望 | 第59-62页 |
| 5.1 研究工作的总结 | 第59-60页 |
| 5.2 研究工作的展望 | 第60-62页 |
| 参考文献 | 第62-67页 |
| 致谢 | 第67-68页 |
| 攻读学位期间发表的学术论文目录 | 第68页 |