| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第12-28页 |
| 1.1 研究背景和意义 | 第12-14页 |
| 1.2 国内外研究现状 | 第14-24页 |
| 1.2.1 车辆检测 | 第14-20页 |
| 1.2.2 车辆计数 | 第20-24页 |
| 1.3 研究目标与内容 | 第24-26页 |
| 1.4 研究技术路线及章节安排 | 第26-27页 |
| 1.5 本章小结 | 第27-28页 |
| 第二章 基于置信度混合高斯模型的城市道路交叉口场景中车辆检测方法研究 | 第28-65页 |
| 2.1 引言 | 第28-29页 |
| 2.2 传统GMM背景建模 | 第29-39页 |
| 2.2.1 单高斯背景模型 | 第29-30页 |
| 2.2.2 GMM背景模型原理 | 第30-32页 |
| 2.2.3 GMM初始参数估计 | 第32-34页 |
| 2.2.4 GMM像素值的归类 | 第34-35页 |
| 2.2.5 GMM背景模型的建立与前景检测 | 第35-37页 |
| 2.2.6 GMM背景模型的参数更新 | 第37-39页 |
| 2.3 基于置信度混合高斯模型的城市道路交叉口场景中车辆检测 | 第39-49页 |
| 2.3.1 模型的初始化 | 第40-44页 |
| 2.3.2 像素点的交通场景状态估计和置信度更新 | 第44-46页 |
| 2.3.3 基于自适应学习率的背景模型更新 | 第46-48页 |
| 2.3.4 前景检测 | 第48-49页 |
| 2.4 实验论证与对比分析 | 第49-63页 |
| 2.4.1 参数设置和实验测试数据集 | 第50-51页 |
| 2.4.2 GMMCM方法定性实验 | 第51-58页 |
| 2.4.3 GMMCM方法的定量实验 | 第58-63页 |
| 2.5 本章小结 | 第63-65页 |
| 第三章 基于置信度PBAS的城市道路交叉口场景中车辆检测方法研究 | 第65-90页 |
| 3.1 引言 | 第65-66页 |
| 3.2 PBAS背景建模算法 | 第66-72页 |
| 3.2.1 ViBe背景建模算法 | 第66-68页 |
| 3.2.2 PBAS背景模型原理 | 第68-69页 |
| 3.2.3 PBAS前景背景检测 | 第69页 |
| 3.2.4 PBAS模型更新 | 第69-70页 |
| 3.2.5 PBAS距离阈值和学习率的自适应方法 | 第70-72页 |
| 3.3 基于置信度PBAS的城市道路交叉口场景中车辆检测 | 第72-80页 |
| 3.3.1 PBASCM背景模型的初始化 | 第72-75页 |
| 3.3.2 像素点交通场景的状态估计和置信度更新 | 第75-78页 |
| 3.3.3 PBASCM前景检测 | 第78-79页 |
| 3.3.4 PBASCM背景更新 | 第79-80页 |
| 3.4 实验论证与对比分析 | 第80-88页 |
| 3.4.1 参数设置和实验测试数据集 | 第80-82页 |
| 3.4.2 PBASCM方法定性实验 | 第82-86页 |
| 3.4.3 PBASCM方法定量实验 | 第86-88页 |
| 3.5 本章小结 | 第88-90页 |
| 第四章 基于自适应纹理特征模型的城市道路交叉口场景中车辆检测方法研究 | 第90-110页 |
| 4.1 引言 | 第90页 |
| 4.2 基于LBP的背景模型 | 第90-94页 |
| 4.2.1 LBP特征 | 第91-92页 |
| 4.2.2 基于LBP的背景模型 | 第92-94页 |
| 4.3 基于自适应纹理特征模型的城市道路交叉口场景中车辆检测 | 第94-102页 |
| 4.3.1 韦伯定理 | 第94-95页 |
| 4.3.2 自适应局部均值二值模式 | 第95-99页 |
| 4.3.3 ALMPBM背景模型的初始化 | 第99-100页 |
| 4.3.4 ALMPBM前景检测 | 第100-101页 |
| 4.3.5 ALMPBM背景更新 | 第101-102页 |
| 4.4 实验论证与对比分析 | 第102-109页 |
| 4.4.1 参数设置和实验测试数据集 | 第102-104页 |
| 4.4.2 ALMPBM方法对比实验的定性分析 | 第104-108页 |
| 4.4.3 ALMPBM方法对比实验的定量分析 | 第108-109页 |
| 4.5 本章小结 | 第109-110页 |
| 第五章 基于前景时间空间图像的城市道路交叉口场景中车辆计数方法研究 | 第110-124页 |
| 5.1 引言 | 第110-111页 |
| 5.2 现有的车辆计数方法 | 第111-112页 |
| 5.3 基于前景时间空间图像的车辆统计方法 | 第112-117页 |
| 5.3.1 虚拟直线的选取 | 第112-113页 |
| 5.3.2 前景时间空间图像的构造 | 第113-114页 |
| 5.3.3 前景时间空间图像处理 | 第114-117页 |
| 5.4 实验论证与对比分析 | 第117-123页 |
| 5.4.1 实验测试数据集 | 第117页 |
| 5.4.2 前景时间空间图像方法对比实验的定性分析 | 第117-121页 |
| 5.4.3 前景时间空间图像方法对比实验的定量分析 | 第121-123页 |
| 5.5 本章小结 | 第123-124页 |
| 第六章 结论与展望 | 第124-128页 |
| 6.1 论文主要研究工作 | 第124-126页 |
| 6.2 主要贡献与创新点 | 第126-127页 |
| 6.3 未来展望 | 第127-128页 |
| 参考文献 | 第128-140页 |
| 致谢 | 第140-141页 |
| 博士期间完成的研究成果 | 第141-142页 |
