基于监控视频的车辆信息提取与轨迹查询系统实现
| 摘要 | 第9-10页 |
| ABSTRACT | 第10-11页 |
| 第1章 绪论 | 第12-20页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.1.1 研究背景 | 第12-13页 |
| 1.1.2 研究意义 | 第13页 |
| 1.2 研究现状 | 第13-16页 |
| 1.2.1 车辆检测研究现状 | 第13-14页 |
| 1.2.2 车牌识别研究现状 | 第14-15页 |
| 1.2.3 车型识别研究现状 | 第15-16页 |
| 1.3 技术路线及论文结构 | 第16-18页 |
| 1.4 本章小结 | 第18-20页 |
| 第2章 视频车辆检测 | 第20-32页 |
| 2.1 LBP特征 | 第20-21页 |
| 2.2 基于Adaboost的车辆检测器 | 第21-27页 |
| 2.2.1 Adaboost算法原理 | 第22-23页 |
| 2.2.2 车辆检测器训练与测试 | 第23-27页 |
| 2.3 实验结果与分析 | 第27-30页 |
| 2.4 本章小结 | 第30-32页 |
| 第3章 车辆牌照识别 | 第32-40页 |
| 3.1 基于边缘提取的车牌定位 | 第32-35页 |
| 3.1.1 Canny边缘算子 | 第33页 |
| 3.1.2 车牌定位算法流程 | 第33-35页 |
| 3.2 基于先验知识的字符分割 | 第35-38页 |
| 3.2.1 车牌预处理 | 第35-36页 |
| 3.2.2 字符宽度确定 | 第36-37页 |
| 3.2.3 字符归一化的改进 | 第37-38页 |
| 3.3 字符识别 | 第38-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第4章 车型识别 | 第40-54页 |
| 4.1 基于支持向量机的车型识别 | 第40-45页 |
| 4.1.1 HOG特征 | 第40-41页 |
| 4.1.2 SVM分类器 | 第41-44页 |
| 4.1.3 样本处理与模型参数选择 | 第44-45页 |
| 4.2 卷积神经网络 | 第45-50页 |
| 4.2.1 卷积神经网络结构 | 第46-48页 |
| 4.2.2 卷积神经网络训练过程 | 第48-50页 |
| 4.3 基于卷积神经网络的车型识别 | 第50-53页 |
| 4.3.1 车型识别网络 | 第50-51页 |
| 4.3.2 网络训练与测试 | 第51-53页 |
| 4.4 实验结果对比分析 | 第53页 |
| 4.5 本章小结 | 第53-54页 |
| 第5章 车辆轨迹查询系统设计实现 | 第54-70页 |
| 5.1 系统设计目标 | 第54页 |
| 5.2 系统开发工具介绍 | 第54-55页 |
| 5.3 系统功能模块 | 第55-69页 |
| 5.3.1 数据库设计与管理 | 第58-60页 |
| 5.3.2 电子地图管理 | 第60-62页 |
| 5.3.3 车辆行驶轨迹查询 | 第62-64页 |
| 5.3.4 车辆行驶轨迹还原 | 第64-69页 |
| 5.4 本章小结 | 第69-70页 |
| 第6章 总结与展望 | 第70-72页 |
| 6.1 论文工作总结 | 第70-71页 |
| 6.2 工作展望 | 第71-72页 |
| 参考文献 | 第72-78页 |
| 致谢 | 第78-79页 |
| 学位论文评阅及答辩情况表 | 第79页 |
