视频分析技术在智能交通环境下的应用研究
| 摘要 | 第1-8页 |
| Abstract | 第8-12页 |
| 第1章 绪论 | 第12-21页 |
| ·选题的背景和研究意义 | 第12-15页 |
| ·研究背景 | 第12-15页 |
| ·研究目的和意义 | 第15页 |
| ·智能交通环境下视频分析技术的研究领域 | 第15-17页 |
| ·国内外研究文献述评 | 第17-19页 |
| ·国外学者研究综述 | 第17-18页 |
| ·国内学者研究综述 | 第18-19页 |
| ·国内外研究评述 | 第19页 |
| ·本文的组织结构和研究方法 | 第19-20页 |
| ·本文的组织结构 | 第19-20页 |
| ·本文的研究方法 | 第20页 |
| ·本文的创新 | 第20-21页 |
| 第2章 智能交通环境下视频分析技术的相关理论 | 第21-29页 |
| ·光流法 | 第21-23页 |
| ·光流的相关概念 | 第21-22页 |
| ·光流的计算方法 | 第22-23页 |
| ·光流在智能交通环境中的相关应用 | 第23页 |
| ·隐马尔科夫模型 | 第23-26页 |
| ·隐马尔科夫模型的相关概念 | 第24页 |
| ·隐马尔科夫模型的训练及检测方法 | 第24-26页 |
| ·隐马尔可夫模型在智能交通环境下的相关应用 | 第26页 |
| ·信息熵 | 第26-29页 |
| ·信息熵的概念 | 第26-27页 |
| ·信息熵在智能交通环境下的相关应用 | 第27-29页 |
| 第3章 基于光流的交通状态检测模型 | 第29-35页 |
| ·引言 | 第29-30页 |
| ·观测特征时间序列的形成方法 | 第30-32页 |
| ·观测特征的选取 | 第30页 |
| ·交通道路的自动分割 | 第30-32页 |
| ·基于隐马尔科夫模型的交通状态估计 | 第32-33页 |
| ·实验与分析 | 第33页 |
| ·交通状态估计在交通管理中的应用前景 | 第33-35页 |
| 第4章 基于光流的交通事故检测模型 | 第35-54页 |
| ·引言 | 第35-37页 |
| ·构建交通运动方向图的方法 | 第37-40页 |
| ·基于交通方向图序列的交通事故检测模型 | 第40-44页 |
| ·交通方向图团块能量的计算方法 | 第40-41页 |
| ·交通方向图能量的计算方法 | 第41-42页 |
| ·交通方向图能量序列中的异常检测方法 | 第42-44页 |
| ·实验与分析 | 第44-53页 |
| ·交通事故检测在交通管理中的应用前景 | 第53-54页 |
| 结论 | 第54-55页 |
| 研究结论 | 第54页 |
| 本文的不足 | 第54-55页 |
| 致谢 | 第55-56页 |
| 参考文献 | 第56-61页 |