| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景及意义 | 第9-11页 |
| 1.1.1 研究背景 | 第9-10页 |
| 1.1.2 研究意义 | 第10-11页 |
| 1.2 研究现状 | 第11-14页 |
| 1.2.1 智能交通系统研究现状 | 第11-12页 |
| 1.2.2 运动车辆检测及跟踪研究现状 | 第12-13页 |
| 1.2.3 运动车辆异常行为研究现状 | 第13-14页 |
| 1.3 本文研究内容及结构安排 | 第14-17页 |
| 1.3.1 研究内容 | 第14-15页 |
| 1.3.2 章节安排 | 第15-17页 |
| 第二章 视频序列中的车辆轨迹获取 | 第17-35页 |
| 2.1 动车辆检测 | 第17-24页 |
| 2.1.1 边缘检测法 | 第17-19页 |
| 2.1.2 帧间差分法 | 第19-21页 |
| 2.1.3 光流法 | 第21-22页 |
| 2.1.4 背景差分法 | 第22-24页 |
| 2.2 背景模型的构建及更新 | 第24-27页 |
| 2.2.1 平均背景模型 | 第24页 |
| 2.2.2 高斯背景模型 | 第24-27页 |
| 2.3 运动车辆跟踪 | 第27-34页 |
| 2.3.1 Mean Shift目标跟踪算法 | 第28页 |
| 2.3.2 Mean Shift向量 | 第28-29页 |
| 2.3.3 无参数概率密度估计 | 第29-30页 |
| 2.3.4 Mean Shift算法推导 | 第30-31页 |
| 2.3.5 基于Mean Shift算法的目标跟踪 | 第31-32页 |
| 2.3.6 目标模型及候选模型的建立 | 第32页 |
| 2.3.7 相似性度量及目标定位 | 第32-34页 |
| 2.4 本章小结 | 第34-35页 |
| 第三章 车辆异常行为识别 | 第35-53页 |
| 3.1 异常行为识别简述 | 第35-37页 |
| 3.2 基于监控区域场景语义模型的车辆异常行为识别 | 第37-42页 |
| 3.2.1 相似度度量 | 第38-41页 |
| 3.2.2 轨迹聚类 | 第41-42页 |
| 3.3 基于自适应单类支持向量机的车辆异常行为识别 | 第42-52页 |
| 3.3.1 统计学习理论与支持向量机 | 第42-44页 |
| 3.3.2 支持向量机原理及推导 | 第44-48页 |
| 3.3.3 自适应单类支持向量机 | 第48-52页 |
| 3.4 本章小结 | 第52-53页 |
| 第四章 综合实验 | 第53-61页 |
| 4.1 基于监控区域场景语义模型的车辆异常行为识别 | 第53-55页 |
| 4.1.1 算法实现 | 第53页 |
| 4.1.2 实验结果 | 第53-55页 |
| 4.2 基于自适应单类支持向量机的车辆异常行为识别 | 第55-59页 |
| 4.2.1 算法实现 | 第55-57页 |
| 4.2.2 实验结果 | 第57-59页 |
| 4.3 结果分析及对比 | 第59-60页 |
| 4.4 本章小结 | 第60-61页 |
| 第五章 总结与展望 | 第61-63页 |
| 5.1 主要工作 | 第61页 |
| 5.2 文章创新点 | 第61-62页 |
| 5.3 研究展望 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 附录一 攻读硕士学位期间发表的论文目录 | 第68-69页 |
| 附录二 攻读硕士学位期间参与科研项目情况 | 第69页 |
