基于交通路口视频的行人预警算法的研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-13页 |
| 1.1 课题研究背景与意义 | 第9页 |
| 1.2 国内外研究现状 | 第9-10页 |
| 1.3 研究内容和技术难点 | 第10-11页 |
| 1.4 论文内容安排 | 第11-13页 |
| 第二章 交通路口视频前景检测 | 第13-25页 |
| 2.1 帧差法 | 第13-14页 |
| 2.2 混合高斯模型GMM | 第14-15页 |
| 2.3 Vibe算法 | 第15-16页 |
| 2.4 光流法 | 第16-17页 |
| 2.5 图像形态学处理 | 第17-20页 |
| 2.5.1 膨胀与腐蚀算法 | 第17-18页 |
| 2.5.2 开运算与闭运算 | 第18-20页 |
| 2.6 区域生长标记目标区域 | 第20-21页 |
| 2.7 前景检测算法评估实验 | 第21-23页 |
| 2.7.1 前景检测算法交通路口视频场景下效果 | 第21-22页 |
| 2.7.2 前景检测算法耗时 | 第22-23页 |
| 2.8 前景检测算法的比较 | 第23-24页 |
| 2.8.1 帧差法的优缺点 | 第23页 |
| 2.8.2 混合高斯模型的优缺点 | 第23页 |
| 2.8.3 Vibe算法的优缺点 | 第23-24页 |
| 2.8.4 光流法的优缺点 | 第24页 |
| 2.9 本章小结 | 第24-25页 |
| 第三章 行人目标分类 | 第25-43页 |
| 3.1 图像的表观特征 | 第25-35页 |
| 3.1.1 Haar特征 | 第25-27页 |
| 3.1.2 HOG特征 | 第27-29页 |
| 3.1.3 颜色矩特征 | 第29-30页 |
| 3.1.4 LBP特征 | 第30页 |
| 3.1.5 特征降维-主成分分析 | 第30-33页 |
| 3.1.6 图像表观特征性能实验 | 第33-35页 |
| 3.2 支持向量机分类方法 | 第35-39页 |
| 3.2.1 SVM基本原理 | 第36-37页 |
| 3.2.2 非线性SVM | 第37-39页 |
| 3.3 基于支持向量机的行人多分类方法 | 第39-40页 |
| 3.4 样本数据库介绍 | 第40-41页 |
| 3.5 分类器实验结果 | 第41-42页 |
| 3.6 本章小结 | 第42-43页 |
| 第四章 多目标跟踪 | 第43-60页 |
| 4.1 交通路口视频跟踪效果指标 | 第43-44页 |
| 4.2 卡尔曼滤波跟踪 | 第44-51页 |
| 4.2.1 卡尔曼滤波的步骤 | 第45-46页 |
| 4.2.2 基于卡尔曼滤波的视频目标跟踪 | 第46-47页 |
| 4.2.3 实验结果分析 | 第47-51页 |
| 4.3 数据关联算法 | 第51-58页 |
| 4.3.1 最近邻算法 | 第51页 |
| 4.3.2 概率数据关联算法(PDA) | 第51页 |
| 4.3.3 联合概率数据关联(JPDA) | 第51-54页 |
| 4.3.4 实验结果分析 | 第54-58页 |
| 4.4 在行人预警算法中对行人目标跟踪的后续处理 | 第58页 |
| 4.5 本章小结 | 第58-60页 |
| 第五章 提高预警算法实时性 | 第60-68页 |
| 5.1 算法并行处理流程 | 第60-63页 |
| 5.2 预警算法智能调度 | 第63-64页 |
| 5.3 算法并行处理性能评估实验 | 第64-66页 |
| 5.4 本章小结 | 第66-68页 |
| 第六章 总结与展望 | 第68-70页 |
| 6.1 本文工作总结 | 第68-69页 |
| 6.2 展望 | 第69-70页 |
| 参考文献 | 第70-72页 |
| 附录1 攻读硕士学位期间申请的专利 | 第72-73页 |
| 致谢 | 第73页 |
