基于视频图像的运动车辆检测与跟踪算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-14页 |
| 1.1 课题研究的目的和意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.2.1 智能交通系统及计算机视觉概述 | 第9-10页 |
| 1.2.2 车辆识别和跟踪的研究现状 | 第10-12页 |
| 1.3 本文的主要研究内容和结构安排 | 第12-14页 |
| 第2章 车辆识别和跟踪的相关理论分析 | 第14-30页 |
| 2.1 图像预处理 | 第14-18页 |
| 2.1.1 彩色空间模型 | 第14-18页 |
| 2.1.2 图像灰度化处理 | 第18页 |
| 2.2 图像特征描述子 | 第18-23页 |
| 2.2.1 HOG特征 | 第19-21页 |
| 2.2.2 HAAR特征 | 第21-22页 |
| 2.2.3 LBP特征 | 第22-23页 |
| 2.3 目标分类算法 | 第23-26页 |
| 2.3.1 SVM算法 | 第24页 |
| 2.3.2 KNN算法 | 第24-26页 |
| 2.3.3 BOOSTING算法 | 第26页 |
| 2.4 视频图像中目标的跟踪算法 | 第26-29页 |
| 2.4.1 基于模型的跟踪 | 第27页 |
| 2.4.2 基于特征的跟踪 | 第27页 |
| 2.4.3 基于动态轮廓的跟踪 | 第27-28页 |
| 2.4.4 基于区域的跟踪 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 第3章 基于特征学习的车辆识别算法 | 第30-48页 |
| 3.1 车辆检测与识别子系统模型 | 第30-31页 |
| 3.2 训练样本的采集和预处理 | 第31-33页 |
| 3.3 图像特征提取 | 第33-38页 |
| 3.3.1 HOG特征的提取 | 第33-35页 |
| 3.3.2 LBP特征的提取 | 第35-38页 |
| 3.4 分类器的设计 | 第38-41页 |
| 3.4.1 Ada Boost算法 | 第38-39页 |
| 3.4.2 弱分类器设计 | 第39-40页 |
| 3.4.3 强分类器设计 | 第40-41页 |
| 3.5 仿真结果分析 | 第41-47页 |
| 3.6 本章小结 | 第47-48页 |
| 第4章 基于超像素分割的车辆跟踪算法 | 第48-59页 |
| 4.1 运动车辆跟踪子系统模型 | 第48-49页 |
| 4.2 超像素理论 | 第49-52页 |
| 4.3 均值漂移聚类算法 | 第52-54页 |
| 4.4 仿真结果分析 | 第54-58页 |
| 4.5 本章小结 | 第58-59页 |
| 结论 | 第59-61页 |
| 参考文献 | 第61-65页 |
| 攻读硕士学位期间发表的论文 | 第65-67页 |
| 致谢 | 第67页 |
