隧道场景下行人检测图像增强方法研究
| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 研究背景 | 第8-9页 |
| 1.2 国内外研究现状及课题的提出 | 第9-14页 |
| 1.2.1 图像增强算法的研究现状 | 第9-12页 |
| 1.2.3 研究现状分析及课题的提出 | 第12-14页 |
| 1.3 主要内容及结构安排 | 第14-16页 |
| 2 隧道场景下行人检测增强方法关键技术及研究方案 | 第16-24页 |
| 2.1 隧道场景下行人检测视频图片的特点 | 第16页 |
| 2.2 隧道场景下行人检测图像增强方法的相关技术 | 第16-20页 |
| 2.2.1 隧道的成像模型的建立 | 第17-19页 |
| 2.2.2 光照图的估计 | 第19页 |
| 2.2.3 图像质量评价 | 第19-20页 |
| 2.3 隧道场景下行人检测图像增强技术方法 | 第20-23页 |
| 2.3.1 基于隧道的成像模型建立 | 第20-21页 |
| 2.3.2 基于隧道光照的自适应图像增强算法 | 第21-22页 |
| 2.3.3 行人图像增强方法的应用与验证 | 第22-23页 |
| 2.4 本章小结 | 第23-24页 |
| 3 基于隧道的成像模型建立及参数初估 | 第24-38页 |
| 3.1 隧道场景下成像特点及分析 | 第24-25页 |
| 3.2 隧道成像模型的建立 | 第25-29页 |
| 3.2.1 传统图像成像模型分析 | 第25页 |
| 3.2.2 传统大气散射模型 | 第25-28页 |
| 3.2.3 隧道场景成像模型 | 第28-29页 |
| 3.3 隧道成像模型相关参数的快速估计方法 | 第29-32页 |
| 3.3.1 算法框架 | 第29页 |
| 3.3.2 大气光值估计 | 第29-30页 |
| 3.3.3 传输图估计 | 第30-32页 |
| 3.4 实验研究结果 | 第32-36页 |
| 3.4.1 模型参数估计 | 第32-33页 |
| 3.4.2 主观评价分析 | 第33-34页 |
| 3.4.3 客观评价分析 | 第34-36页 |
| 3.5 本章小结 | 第36-38页 |
| 4 基于隧道光照的自适应图像增强算法 | 第38-56页 |
| 4.1 问题的提出 | 第38-39页 |
| 4.2 传统光照估计方法介绍和分析 | 第39-42页 |
| 4.2.1 传统光照图估计算法介绍 | 第39-41页 |
| 4.2.2 传统光照估计算法的优缺点 | 第41-42页 |
| 4.3 隧道光照图自适应估计方法的提出 | 第42-45页 |
| 4.3.1 隧道图像亮度值分布特征分析 | 第42-43页 |
| 4.3.2 基于C均值聚类的隧道分类方法 | 第43-45页 |
| 4.4 隧道光照估计方法的实现 | 第45-51页 |
| 4.4.1 图像的自适应拉伸 | 第45-48页 |
| 4.4.2 基于自适应引导滤波的光照估计 | 第48-51页 |
| 4.5 实验研究结果 | 第51-54页 |
| 4.5.1 主观评价分析 | 第51-52页 |
| 4.5.2 客观评价分析 | 第52-54页 |
| 4.6 本章小结 | 第54-56页 |
| 5 行人图像增强方法应用及验证 | 第56-66页 |
| 5.1 应用环境 | 第56页 |
| 5.2 应用方案设计及关键技术 | 第56-62页 |
| 5.2.1 应用方案设计 | 第56-57页 |
| 5.2.2 图像局部区域增强方法 | 第57-60页 |
| 5.2.3 视频抽帧帧率的选取及优化 | 第60-62页 |
| 5.3 增强技术在视频中的应用 | 第62-64页 |
| 5.4 本章小结 | 第64-66页 |
| 6 总结与展望 | 第66-68页 |
| 致谢 | 第68-70页 |
| 参考文献 | 第70-76页 |
| 附录 | 第76页 |
| A.作者在攻读学位期间发表的论文目录 | 第76页 |
| B.作者在攻读学位期间申请的发明专利 | 第76页 |
| C.作者在攻读学位期间参与的科研项目 | 第76页 |
