基于视频图像识别的铁路雪情分析及预测方法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 绪论 | 第11-22页 |
| 1.1 课题来源 | 第11页 |
| 1.2 课题的研究背景与意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-17页 |
| 1.3.1 积雪深度测量方法 | 第12-13页 |
| 1.3.2 铁路雪灾危害及其防治 | 第13-15页 |
| 1.3.3 基于多传感器融合的铁路雪灾监测 | 第15-16页 |
| 1.3.4 视频图像雪粒子识别的研究现状 | 第16页 |
| 1.3.5 铁路雪情预测研究现状 | 第16-17页 |
| 1.4 本论文的研究内容和技术路线 | 第17-20页 |
| 1.4.1 研究思路 | 第17-18页 |
| 1.4.2 研究内容 | 第18-19页 |
| 1.4.3 技术路线 | 第19-20页 |
| 1.5 本章小结 | 第20-22页 |
| 2 视频图像预处理 | 第22-36页 |
| 2.1 概述 | 第22页 |
| 2.2 图像增强技术简介 | 第22-29页 |
| 2.2.1 直方图均衡化 | 第23-26页 |
| 2.2.2 灰度变换增强 | 第26-28页 |
| 2.2.3 中值滤波 | 第28-29页 |
| 2.3 视频中图像的预处理 | 第29-32页 |
| 2.3.1 改进的中值滤波对图像的滤波 | 第29-31页 |
| 2.3.2 彩色图像向灰度图像转换 | 第31-32页 |
| 2.4 视频图像中雪花粒子的特征 | 第32-35页 |
| 2.4.1 雪粒子的物理特征 | 第32-34页 |
| 2.4.2 雪粒子的亮度干扰 | 第34-35页 |
| 2.5 本章小结 | 第35-36页 |
| 3 视频图像雪粒子检测的算法实现 | 第36-60页 |
| 3.1 概述 | 第36页 |
| 3.2 常见运动目标的前景检测算法 | 第36-40页 |
| 3.2.1 光流法 | 第36-37页 |
| 3.2.2 帧间差分法 | 第37-38页 |
| 3.2.3 背景差分法 | 第38-39页 |
| 3.2.4 混合高斯模型 | 第39-40页 |
| 3.3 本文提出的优化算法和结果 | 第40-58页 |
| 3.3.1 转换成灰度图像 | 第41-43页 |
| 3.3.2 连续五帧法检测雪粒子 | 第43-49页 |
| 3.3.3 轮廓提取 | 第49-52页 |
| 3.3.4 开窗选取有效区域 | 第52-55页 |
| 3.3.5 推算实时降雪强度 | 第55-58页 |
| 3.4 本章小结 | 第58-60页 |
| 4 铁路雪情预测 | 第60-68页 |
| 4.1 概述 | 第60页 |
| 4.2 风吹雪机理 | 第60-62页 |
| 4.3 铁路降雪量堆积模型的建立 | 第62-65页 |
| 4.4 雪情的短期和长期预测 | 第65页 |
| 4.5 铁路部门的应急处理 | 第65-66页 |
| 4.6 积雪防治措施 | 第66页 |
| 4.7 本章小结 | 第66-68页 |
| 5 总结与展望 | 第68-70页 |
| 5.1 本文的主要工作和结论 | 第68页 |
| 5.2 仍需进一步研究的问题和构想 | 第68-70页 |
| 参考文献 | 第70-73页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第73-75页 |
| 学位论文数据集 | 第75页 |
