基于视频的车辆检测算法的研究
| 摘要 | 第3-4页 |
| abstract | 第4-5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8页 |
| 1.2 车辆检测发展历史及现状 | 第8-11页 |
| 1.3 本文研究内容及章节安排 | 第11-14页 |
| 第2章 基于视频的运动目标分割 | 第14-28页 |
| 2.1 帧间差分法 | 第14-17页 |
| 2.1.1 基本原理 | 第14页 |
| 2.1.2 二帧差分法 | 第14-15页 |
| 2.1.3 三帧差分法 | 第15-16页 |
| 2.1.4 二针和三帧之间的对比 | 第16页 |
| 2.1.5 基于帧间差分法的运动目标分割 | 第16-17页 |
| 2.2 背景消减法 | 第17-20页 |
| 2.2.1 平均过滤器 | 第17-18页 |
| 2.2.2 滑动高斯平均 | 第18-19页 |
| 2.2.3 基于背景消减法的运动目标检测 | 第19-20页 |
| 2.3 光流法 | 第20-22页 |
| 2.3.1 基本原理 | 第20-21页 |
| 2.3.2 光流计算 | 第21页 |
| 2.3.3 应用 | 第21-22页 |
| 2.3.4 基于光流法的运动目标分割 | 第22页 |
| 2.4 高斯混合模型 | 第22-26页 |
| 2.4.1 基本原理 | 第23页 |
| 2.4.2 计算过程 | 第23-25页 |
| 2.4.3 基于高斯混合模型的运动目标分割 | 第25-26页 |
| 2.5 本章小结 | 第26-28页 |
| 第3章 车辆图像特征提取 | 第28-42页 |
| 3.1 基于SIFT的车辆特征提取 | 第28-34页 |
| 3.1.1 SIFT算法 | 第28-30页 |
| 3.1.2 K-Means算法 | 第30-32页 |
| 3.1.3 Bag-of-Words算法 | 第32-33页 |
| 3.1.4 构建车辆特征 | 第33-34页 |
| 3.2 基于SURF的车辆特征提取 | 第34-37页 |
| 3.2.1 SURF算法 | 第34-36页 |
| 3.2.2 K-Means算法 | 第36页 |
| 3.2.3 Bag-of-Words算法 | 第36-37页 |
| 3.2.4 构建车辆特征 | 第37页 |
| 3.3 基于HOG的车辆特征提取 | 第37-40页 |
| 3.3.1 基本原理 | 第38页 |
| 3.3.2 算法实现 | 第38-40页 |
| 3.4 本章小结 | 第40-42页 |
| 第4章 基于SVM算法的车辆分类模型 | 第42-56页 |
| 4.1 SVM算法 | 第42-52页 |
| 4.1.1 线性可分支持向量机 | 第42-46页 |
| 4.1.2 线性近似可分支持向量机 | 第46-50页 |
| 4.1.3 非线性支持向量机 | 第50-52页 |
| 4.2 车辆分类器训练 | 第52-54页 |
| 4.2.1 样本采集 | 第52页 |
| 4.2.2 样本预处理 | 第52-53页 |
| 4.2.3 样本标记 | 第53页 |
| 4.2.4 特征提取 | 第53页 |
| 4.2.5 训练模型 | 第53-54页 |
| 4.3 模型比较 | 第54-55页 |
| 4.4 本章小结 | 第55-56页 |
| 第5章 视频流中的车辆检测 | 第56-62页 |
| 5.1 车辆检测流程 | 第56-57页 |
| 5.2 获取感兴趣区域 | 第57-58页 |
| 5.3 车辆检测 | 第58-60页 |
| 5.4 本章小结 | 第60-62页 |
| 第6章 结论与展望 | 第62-64页 |
| 6.1 总结 | 第62-63页 |
| 6.2 展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 发表论文和参加科研情况说明 | 第68-70页 |
| 致谢 | 第70页 |
