| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-18页 |
| 1.1 课题的研究背景与意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 研究意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.2.1 交通拥堵检测 | 第13-14页 |
| 1.2.2 车辆检测与车辆跟踪 | 第14页 |
| 1.2.3 行人检测 | 第14-15页 |
| 1.3 本文主要研究思路及内容安排 | 第15-17页 |
| 1.4 本章小结 | 第17-18页 |
| 第二章 复杂交通场景中常见的图像处理方法 | 第18-32页 |
| 2.1 引言 | 第18页 |
| 2.2 空间域图像增强 | 第18-24页 |
| 2.2.1 灰度变换 | 第18-20页 |
| 2.2.2 直方图均衡化 | 第20-22页 |
| 2.2.3 空间滤波增强 | 第22-24页 |
| 2.3 形态学图像处理 | 第24-30页 |
| 2.3.1 形态学概念 | 第25-27页 |
| 2.3.2 二值图像 | 第27-28页 |
| 2.3.3 膨胀与腐蚀 | 第28-29页 |
| 2.3.4 开操作与闭操作 | 第29-30页 |
| 2.4 彩色图像处理 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第三章 基于图像纹理特征的交通拥堵检测改进算法 | 第32-46页 |
| 3.1 引言 | 第32页 |
| 3.2 模式识别过程概述 | 第32-35页 |
| 3.2.1 图像信息获取 | 第33页 |
| 3.2.2 图像预处理 | 第33页 |
| 3.2.3 特征提取与选择 | 第33-35页 |
| 3.2.4 分类决策 | 第35页 |
| 3.3 基于纹理特征图像检索交通拥堵检测方法 | 第35-45页 |
| 3.3.1 车辆有效区域定位 | 第36-37页 |
| 3.3.2 交通流图像边缘界定 | 第37-39页 |
| 3.3.3 暗光路况图像增强 | 第39-40页 |
| 3.3.4 图像纹理与交通拥堵 | 第40-41页 |
| 3.3.5 基于灰度共生矩阵的纹理特征提取方法 | 第41-42页 |
| 3.3.6 拥堵判定 | 第42-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第四章 基于Kalman滤波和Mean Shift结合的车辆跟踪改进算法 | 第46-59页 |
| 4.1 引言 | 第46页 |
| 4.2 运动车辆检测 | 第46-51页 |
| 4.2.1 帧间差分法 | 第47-48页 |
| 4.2.2 背景差分法及混合高斯建模法 | 第48-51页 |
| 4.3 运动车辆跟踪 | 第51-58页 |
| 4.3.1 Kalman滤波预测算法 | 第51-52页 |
| 4.3.2 Kalman滤波预测算法仿真 | 第52-53页 |
| 4.3.3 Mean Shift算法 | 第53-55页 |
| 4.3.4 Mean Shift算法仿真 | 第55-56页 |
| 4.3.5 一种结合Kalman滤波预测与Mean Shift的目标车辆跟踪改进算法 | 第56-58页 |
| 4.4 本章总结 | 第58-59页 |
| 第五章 基于HOG+Adaboost的行人检测改进算法 | 第59-75页 |
| 5.1 引言 | 第59页 |
| 5.2 HOG特征 | 第59-62页 |
| 5.2.1 HOG特征概述 | 第59-60页 |
| 5.2.2 HOG特征提取 | 第60-62页 |
| 5.2.3 HOG特征优缺点 | 第62页 |
| 5.3 支持向量机算法 | 第62-64页 |
| 5.3.1 最优分类面 | 第63页 |
| 5.3.2 一般情况下的SVM算法 | 第63-64页 |
| 5.4 基于HOG+SVM的行人检测算法 | 第64-68页 |
| 5.5 一种应用在复杂交通场景中的行人检测改进算法 | 第68-74页 |
| 5.5.1 传统HOG+SVM行人检测算法的缺陷 | 第68-69页 |
| 5.5.2 基于HOG+Adaboost的行人检测改进算法流程示意图 | 第69-70页 |
| 5.5.3 HOG—PCA特征提取 | 第70-71页 |
| 5.5.4 LBP特征提取 | 第71-73页 |
| 5.5.5 Adaboost学习算法 | 第73-74页 |
| 5.6 本章小结 | 第74-75页 |
| 第六章 视频交通信息智能检测系统设计及实现 | 第75-80页 |
| 6.1 引言 | 第75页 |
| 6.2 软件设计平台 | 第75-76页 |
| 6.3 系统框架 | 第76-77页 |
| 6.4 系统实现 | 第77-80页 |
| 第七章 总结与展望 | 第80-82页 |
| 7.1 研究工作总结及创新点 | 第80-81页 |
| 7.2 展望 | 第81-82页 |
| 参考文献 | 第82-88页 |
| 附录 1 Canny算子对图像边缘提取代码 | 第88-89页 |
| 附录 2 自训练SVM分类器进行HOG行人检测代码 | 第89-94页 |
| 攻读硕士学位期间取得的研究成果 | 第94-95页 |
| 致谢 | 第95-96页 |
| 附件 | 第96页 |
