| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-22页 |
| 1.0 引言 | 第11页 |
| 1.1 基于机器视觉的运动车辆目标跟踪检测技术的背景和意义 | 第11页 |
| 1.2 基于机器视觉的运动车辆目标跟踪检测技术的国内外研究现状 | 第11-20页 |
| 1.2.1 基于特征的检测方法 | 第13-17页 |
| 1.2.2 基于非特征的识别方法 | 第17-19页 |
| 1.2.3 基于框架的运动车辆检测技术 | 第19-20页 |
| 1.3 本文的主要内容和结构框架 | 第20-21页 |
| 1.4 本章小结 | 第21-22页 |
| 第2章 运动车辆检测与跟踪的理论概述 | 第22-37页 |
| 2.0 引言 | 第22页 |
| 2.1 运动车辆检测与跟踪的数学模型 | 第22-25页 |
| 2.1.1 运动车辆目标检测的数学模型 | 第22-24页 |
| 2.1.2 运动车辆目标跟踪的数学模型 | 第24-25页 |
| 2.2 运动车辆目标检测与目标跟踪算法 | 第25-30页 |
| 2.2.1 基于贝叶斯分类的运动跟踪目标检测算法 | 第25-28页 |
| 2.2.2 GLRAM与PPCA相结合的运动目标跟踪算法 | 第28-29页 |
| 2.2.3 混合高斯背景建模法 | 第29-30页 |
| 2.3 卷积神经网络原理及实现方法 | 第30-34页 |
| 2.3.1 卷积神经网络 | 第30-31页 |
| 2.3.2 人工神经网络概述 | 第31-33页 |
| 2.3.3 BP神经网络 | 第33-34页 |
| 2.4 运动车辆检测的评价标准 | 第34-35页 |
| 2.4.1 准确性 | 第35页 |
| 2.4.2 实时性 | 第35页 |
| 2.4.3 鲁棒性 | 第35页 |
| 2.5 本章小结 | 第35-37页 |
| 第3章 运动车辆检测算法 | 第37-50页 |
| 3.0 引言 | 第37-38页 |
| 3.1 运动车辆检测系统概况 | 第38页 |
| 3.2 新型运动车辆检测算法 | 第38-43页 |
| 3.2.1 卷积神经网络构造 | 第39-41页 |
| 3.2.2 智能标记像素提取候选区域 | 第41-42页 |
| 3.2.3 候选区域验证——提炼检测效果 | 第42-43页 |
| 3.3 卷积核的训练方案 | 第43-44页 |
| 3.4 本章算法流程和实现步骤 | 第44页 |
| 3.5 实验结果及分析 | 第44-48页 |
| 3.5.1 卷积神经网络样本参数训练 | 第45页 |
| 3.5.2 卷积神经网络的运行车辆检测 | 第45-46页 |
| 3.5.3 夜间车辆检测对比 | 第46页 |
| 3.5.4 检测结果对比 | 第46-47页 |
| 3.5.5 算法性能对比 | 第47-48页 |
| 3.6 本章总结 | 第48-50页 |
| 第4章 运动车辆跟踪算法 | 第50-63页 |
| 4.0 引言 | 第50页 |
| 4.1 运动车辆跟踪系统概况 | 第50-51页 |
| 4.2 结合目标块信息技术的新型超像素点跟踪算法 | 第51-54页 |
| 4.2.1 超像素点跟踪算法 | 第51-52页 |
| 4.2.2 基于目标块信息 | 第52页 |
| 4.2.3 均值漂移聚类算法 | 第52-54页 |
| 4.3 本章算法流程和实现步骤 | 第54-55页 |
| 4.4 实验结果及分析 | 第55-59页 |
| 4.4.1 基于目标块信息与超像素点结合的跟踪算法 | 第55页 |
| 4.4.2 跟踪算法效果仿真 | 第55-57页 |
| 4.4.3 算法性能对比 | 第57-58页 |
| 4.4.4 算法耗时性能对比 | 第58-59页 |
| 4.5 单目视觉的运动车辆检测与跟踪算法应用 | 第59-61页 |
| 4.5.1 车辆动态参数提取 | 第59-60页 |
| 4.5.2 汽车防撞预警系统 | 第60-61页 |
| 4.6 本章总结 | 第61-63页 |
| 第5章 总结与展望 | 第63-66页 |
| 5.1 总结 | 第63-64页 |
| 5.2 展望 | 第64-66页 |
| 致谢 | 第66-67页 |
| 参考文献 | 第67-73页 |
| 附录 | 第73页 |
