| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 论文研究背景及意义 | 第10页 |
| 1.2 研究现状及发展趋势 | 第10-14页 |
| 1.3 论文主要内容及安排 | 第14-16页 |
| 第二章 背景建模提取背景图像 | 第16-24页 |
| 2.1 背景模型与背景的特性分析 | 第16页 |
| 2.2 单高斯背景建模 | 第16-19页 |
| 2.2.1 高斯分布与背景建模的关系 | 第16-17页 |
| 2.2.2 单高斯背景模型 | 第17-19页 |
| 2.3 混合高斯背景建模 | 第19-21页 |
| 2.4 均值法背景建模 | 第21-22页 |
| 2.5 背景建模方法比较分析 | 第22-23页 |
| 2.6 本章小结 | 第23-24页 |
| 第三章 视频车辆提取 | 第24-34页 |
| 3.1 经典的目标分割方法提取运动目标 | 第24-26页 |
| 3.1.1 图像分割和目标分割概述 | 第24-25页 |
| 3.1.2 基于边缘的分割方法--Canny算子边缘检测 | 第25-26页 |
| 3.1.3 基于阈值的分割方法--大津阈值分割 | 第26页 |
| 3.2 帧间差分法提取运动目标 | 第26-29页 |
| 3.2.1 两帧间的帧间差分法 | 第26-27页 |
| 3.2.2 三帧间的帧间差分法 | 第27-29页 |
| 3.3 背景差分法提取运动目标 | 第29-31页 |
| 3.3.1 基于均值法背景建模的背景差分法提取运动目标 | 第30-31页 |
| 3.3.2 基于混合高斯背景建模的背景差分法提取运动目标 | 第31页 |
| 3.4 视频首帧图像对于目标提取的影响 | 第31-33页 |
| 3.5 本章小结 | 第33-34页 |
| 第四章 视频车辆识别分类 | 第34-52页 |
| 4.1 目标特征的描述与特征提取 | 第34-39页 |
| 4.1.1 目标特征的描述 | 第34-35页 |
| 4.1.2 目标特征选取 | 第35页 |
| 4.1.3 视频车辆宽长比特征提取 | 第35-37页 |
| 4.1.4 视频二值化车辆占空比特征提取 | 第37-39页 |
| 4.2 目标分类技术 | 第39-40页 |
| 4.2.1 车辆分类类别介绍 | 第39-40页 |
| 4.2.2 分类器描述 | 第40页 |
| 4.3 支持向量机分类器 | 第40-48页 |
| 4.3.1 分类标准的起源Logistic回归 | 第41-43页 |
| 4.3.2 线性支持向量机 | 第43-45页 |
| 4.3.3 非线性支持向量机 | 第45-47页 |
| 4.3.4 支持向量机多分类 | 第47-48页 |
| 4.4 车型识别分类的实现 | 第48-51页 |
| 4.4.1 模板匹配实现车型分类 | 第48-49页 |
| 4.4.2 支持向量机实现车型分类 | 第49-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第五章 视频车辆跟踪 | 第52-65页 |
| 5.1 运动目标跟踪的理论概述 | 第52页 |
| 5.2 车辆信息提取 | 第52-53页 |
| 5.3 单目标跟踪 | 第53-58页 |
| 5.3.1 MeanShift运动跟踪 | 第53-56页 |
| 5.3.2 Kalman滤波结合MeanShift跟踪算法 | 第56-58页 |
| 5.4 多目标跟踪 | 第58-64页 |
| 5.4.1 基于质心的多目标跟踪算法 | 第58-60页 |
| 5.4.2 多目标跟踪算法优化 | 第60-64页 |
| 5.5 本章小结 | 第64-65页 |
| 总结与展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 攻读学位期间取得的研究成果 | 第71-72页 |
| 致谢 | 第72页 |
