| 摘要 | 第1-7页 |
| Abstract | 第7-12页 |
| 第一章 绪论 | 第12-23页 |
| ·研究背景与研究意义 | 第12-13页 |
| ·运动车辆检测与跟踪的研究现状分析 | 第13-20页 |
| ·运动车辆检测 | 第13-15页 |
| ·运动车辆跟踪 | 第15-20页 |
| ·交通视频监控中的车辆检测与跟踪的难点 | 第20页 |
| ·本文主要工作及成果 | 第20-22页 |
| ·本文的组织结构 | 第22-23页 |
| 第二章 基于快速背景恢复的运动车辆检测方法 | 第23-37页 |
| ·引言 | 第23-24页 |
| ·运动目标检测方法 | 第24-27页 |
| ·帧间差分法 | 第24-25页 |
| ·背景差分法 | 第25-27页 |
| ·基于快速背景恢复的运动车辆检测 | 第27-33页 |
| ·混合高斯背景模型 | 第27-29页 |
| ·快速背景恢复算法 | 第29-31页 |
| ·前景检测 | 第31-32页 |
| ·数据确认 | 第32-33页 |
| ·实验结果与分析 | 第33-36页 |
| ·本章小结 | 第36-37页 |
| 第三章 运动车辆的相关跟踪方法研究 | 第37-51页 |
| ·引言 | 第37页 |
| ·相关跟踪的关键问题 | 第37-42页 |
| ·目标模板描述 | 第37-38页 |
| ·模板更新 | 第38-39页 |
| ·相关值计算 | 第39-41页 |
| ·匹配量搜索 | 第41-42页 |
| ·基于分类搜索的快速相关跟踪算法 | 第42-46页 |
| ·运动矢量的性质 | 第42-43页 |
| ·运动类型判定 | 第43页 |
| ·三角形搜索算法 | 第43-45页 |
| ·分层三步搜索算法 | 第45-46页 |
| ·分类搜索的快速相关跟踪算法描述 | 第46页 |
| ·实验结果与分析 | 第46-50页 |
| ·本章小结 | 第50-51页 |
| 第四章 基于CamShift的运动车辆跟踪方法 | 第51-66页 |
| ·引言 | 第51-52页 |
| ·Mean Shift相关理论 | 第52-56页 |
| ·非参数核密度估计 | 第52-53页 |
| ·密度梯度估计 | 第53-54页 |
| ·Mean Shift算法 | 第54-56页 |
| ·自适应颜色空间CamShift跟踪算法 | 第56-61页 |
| ·颜色空间选择 | 第58-59页 |
| ·算法实时性增强措施 | 第59-60页 |
| ·自适应颜色空间跟踪算法 | 第60-61页 |
| ·实验结果与分析 | 第61-64页 |
| ·本章小结 | 第64-66页 |
| 第五章 复杂背景下多特征融合的运动车辆跟踪方法 | 第66-82页 |
| ·引言 | 第66-68页 |
| ·空间直方图的概念 | 第68-70页 |
| ·直方图和空间直方图 | 第68页 |
| ·图像的空间直方图 | 第68-70页 |
| ·自适应权值多特征空间直方图Mean Shift跟踪算法 | 第70-79页 |
| ·自适应权值多特征乘性融合框架 | 第70-71页 |
| ·Mean Shift迭代算法 | 第71-74页 |
| ·目标特征提取 | 第74-77页 |
| ·权值计算 | 第77-79页 |
| ·实验结果与分析 | 第79-81页 |
| ·本章小结 | 第81-82页 |
| 第六章 基于粒子滤波预测的遮挡车辆跟踪方法 | 第82-101页 |
| ·引言 | 第82-83页 |
| ·粒子滤波基本理论 | 第83-85页 |
| ·改进的粒子滤波目标跟踪算法 | 第85-90页 |
| ·系统状态转移模型 | 第85-88页 |
| ·系统观测模型 | 第88页 |
| ·后验概率计算 | 第88-89页 |
| ·粒子重采样 | 第89-90页 |
| ·基于粒子滤波预测的遮挡目标跟踪算法 | 第90-93页 |
| ·目标特征描述 | 第91页 |
| ·目标遮挡判断 | 第91-92页 |
| ·目标模型更新 | 第92页 |
| ·算法详细介绍 | 第92-93页 |
| ·实验结果与分析 | 第93-99页 |
| ·本章小结 | 第99-101页 |
| 总结与展望 | 第101-104页 |
| 1.本文工作总结 | 第101-102页 |
| 2.下一步工作展望 | 第102-104页 |
| 参考文献 | 第104-115页 |
| 攻读博士期间取得的研究成果 | 第115-116页 |
| 致谢 | 第116页 |