道路视频监控文件中对象分类方法的研究
| 摘要 | 第1-5页 |
| ABSTRACT | 第5-11页 |
| 第一章 绪论 | 第11-19页 |
| ·选题背景及意义 | 第11-12页 |
| ·对象分类及相关技术 | 第12-15页 |
| ·对象分类概述 | 第12-13页 |
| ·对象分类相关技术综述 | 第13-15页 |
| ·运动对象检测与提取 | 第14页 |
| ·运动对象跟踪 | 第14-15页 |
| ·行为理解与分析 | 第15页 |
| ·国内外研究现状及趋势 | 第15-17页 |
| ·论文主要工作与论文结构安排 | 第17-19页 |
| 第二章 对象特征与分类方法的研究 | 第19-33页 |
| ·对象分类整体设计流程 | 第19页 |
| ·对象特征描述与提取 | 第19-29页 |
| ·形状特征 | 第20-23页 |
| ·对象区域特征 | 第20-22页 |
| ·对象边界特征 | 第22-23页 |
| ·颜色特征 | 第23-28页 |
| ·颜色空间 | 第24-26页 |
| ·颜色量化 | 第26页 |
| ·颜色特征及提取 | 第26-28页 |
| ·纹理特征 | 第28-29页 |
| ·对象分类的方法 | 第29-31页 |
| ·运动对象分类方法 | 第30页 |
| ·车辆对象分类方法 | 第30-31页 |
| ·本文对象分类方法及对象特征 | 第31-32页 |
| ·本文对象分类方法及选择依据 | 第31-32页 |
| ·本文对象特征选择结果 | 第32页 |
| ·本章小结 | 第32-33页 |
| 第三章 分类器的研究 | 第33-45页 |
| ·分类器的比较 | 第33-36页 |
| ·决策树法 | 第33-34页 |
| ·K最近邻法 | 第34页 |
| ·贝叶斯法 | 第34-35页 |
| ·神经网络法 | 第35-36页 |
| ·支持向量机 | 第36-43页 |
| ·相关知识 | 第36-40页 |
| ·结构风险最小原则 | 第37-38页 |
| ·最优分类面 | 第38-39页 |
| ·常用核函数 | 第39-40页 |
| ·支持向量机的多类分类 | 第40-43页 |
| ·一对一的方法 | 第40-41页 |
| ·一对多的方法 | 第41页 |
| ·决策导向非循环图法 | 第41-42页 |
| ·二叉树的方法 | 第42-43页 |
| ·SVM的特点 | 第43页 |
| ·本文对象分类策略 | 第43-44页 |
| ·本章小结 | 第44-45页 |
| 第四章 对象特征的提取实现 | 第45-67页 |
| ·问题描述与实验环境 | 第45-46页 |
| ·问题描述 | 第45页 |
| ·实验环境 | 第45-46页 |
| ·对象的获取 | 第46-49页 |
| ·动态目标检测 | 第46-47页 |
| ·对象获取 | 第47-49页 |
| ·对象预处理 | 第49-53页 |
| ·图像增强 | 第49-50页 |
| ·中值滤波 | 第50页 |
| ·图像尺度归一化 | 第50-53页 |
| ·最邻近插值法 | 第51页 |
| ·双线性插值法 | 第51页 |
| ·双三次插值法 | 第51-52页 |
| ·实验结果 | 第52-53页 |
| ·对象形状特征提取 | 第53-63页 |
| ·提取对象轮廓 | 第53-56页 |
| ·方法步骤 | 第54页 |
| ·实验结果 | 第54-56页 |
| ·车辆顶部信息提取 | 第56-59页 |
| ·算法步骤 | 第56-58页 |
| ·实验结果 | 第58-59页 |
| ·顶尾斜率的定义与提取 | 第59-63页 |
| ·顶尾斜率定义 | 第59-60页 |
| ·算法及实验 | 第60-63页 |
| ·对象颜色特征识别 | 第63-66页 |
| ·量化方法 | 第63-64页 |
| ·实验结果 | 第64-66页 |
| ·本章小结 | 第66-67页 |
| 第五章 分类器构造与分类实现 | 第67-75页 |
| ·分类器的构造 | 第67-69页 |
| ·训练集 | 第67-68页 |
| ·分类器构造 | 第68-69页 |
| ·分类实现 | 第69-73页 |
| ·分类流程 | 第69-70页 |
| ·分类实现与分析 | 第70-73页 |
| ·实验中的主要问题 | 第73-74页 |
| ·本章小结 | 第74-75页 |
| 第六章 总结与展望 | 第75-77页 |
| 致谢 | 第77-78页 |
| 参考文献 | 第78-82页 |
| 攻读学位期间发表论文 | 第82-83页 |
| 附录 | 第83-91页 |
