面向城市隧道监控的车辆跟踪策略
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 车辆检测的研究现状 | 第10-11页 |
| 1.2.2 车辆跟踪的研究现状 | 第11-13页 |
| 1.3 研究内容以及组织结构 | 第13-16页 |
| 1.3.1 研究内容 | 第13页 |
| 1.3.2 本文组织结构 | 第13-16页 |
| 第2章 隧道监控视频预处理与车辆检测 | 第16-30页 |
| 2.1 隧道监控视频图像预处理技术 | 第16-20页 |
| 2.1.1 改进的降噪处理方法 | 第16-19页 |
| 2.1.2 图像对比度增强 | 第19-20页 |
| 2.2 隧道环境下的车辆检测 | 第20-29页 |
| 2.2.1 车辆检测方法 | 第20-23页 |
| 2.2.2 一种改进的隧道车辆检测方法 | 第23-27页 |
| 2.2.3 实验分析 | 第27-29页 |
| 2.3 本章小结 | 第29-30页 |
| 第3章 车辆特征提取与离线分类器生成 | 第30-47页 |
| 3.1 隧道监控视频中的车辆特征提取 | 第30-36页 |
| 3.1.1 特征向量表示 | 第31页 |
| 3.1.2 车辆的Haar-like特征 | 第31-33页 |
| 3.1.3 车辆的颜色特征 | 第33-35页 |
| 3.1.4 基于形态学梯度的边缘特征 | 第35-36页 |
| 3.2 离线训练框架 | 第36-40页 |
| 3.2.1 参数设置 | 第36-37页 |
| 3.2.2 改进的离线分类器的训练方法 | 第37-39页 |
| 3.2.3 离线训练系统框架 | 第39-40页 |
| 3.3 强分类器级联的车辆检测判断方法 | 第40-43页 |
| 3.4 实验分析 | 第43-46页 |
| 3.4.1 训练结果 | 第43-44页 |
| 3.4.2 对比检测结果分析 | 第44-46页 |
| 3.5 本章小结 | 第46-47页 |
| 第4章 离线在线相结合的车辆跟踪方法 | 第47-63页 |
| 4.1 基于Boosting的目标跟踪方法 | 第47-52页 |
| 4.1.1 离线分类器 | 第48页 |
| 4.1.2 选择器 | 第48页 |
| 4.1.3 在线强分类器 | 第48-49页 |
| 4.1.4 Adaboost算法 | 第49-51页 |
| 4.1.5 在线Boosting算法 | 第51-52页 |
| 4.2 分类器的构造与在线更新 | 第52-54页 |
| 4.3 离线与在线学习结合的跟踪框架 | 第54-56页 |
| 4.4 实验与分析 | 第56-62页 |
| 4.4.1 单一车辆的跟踪结果 | 第57-58页 |
| 4.4.2 算法对比 | 第58-60页 |
| 4.4.3 多车辆跟踪结果 | 第60-62页 |
| 4.5 本章小结 | 第62-63页 |
| 第5章 总结与展望 | 第63-65页 |
| 5.1 总结 | 第63页 |
| 5.2 展望 | 第63-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 攻读硕士研究生期间参与的科研项目及成果 | 第69页 |
