一、计算机视觉在交通监控中的应用（论文文献综述）
朱栋栋[1]（2021）在《基于视觉检测与定位的快速路车辆异常行为识别》文中认为城市快速路作为城市的“大动脉”,在交通运输方面发挥着至关重要的作用,随着机动车保有量的骤增,城市快速路所面临的交通压力和拥堵风险也与日俱增;针对该问题,目前常用的方法是通过人工实时地筛查交通监控视频,定位发生车祸等异常行为的车辆。但是随着道路监控覆盖率的提升,快速地在众多路监控摄像头中定位存在异常行为的车辆,这需要极大的人力成本投入。借助计算机视觉,辅助交管人员进行车辆异常行为识别,是本文的主要研究内容。本文设计了一种车辆端向点检测算法,用于解决行驶轨迹偏离车辆所在真实车道的问题;同时本文提出了基于轨迹信息的车辆异常行为识别算法,用于判断车辆是否发生异常停车、违规掉头、违规占道和超速。具体的研究成果如下:（1）提出一种基于车辆端向点检测的轨迹提取算法。当车辆位于监控视野边缘、偏离相机主光轴时,车辆几何中心点所绘制的轨迹会偏离车辆所在的车道,针对该问题本文创造性地提出车辆端向点检测算法,端向点标注工具被开发用于数据集的构建。在测试集中,端向系数拟合的平均绝对误差为0.1289,平均偏离程度较小,算法能较准确地拟合车辆端向点的位置。（2）设计了一种基于轨迹信息的车辆异常行为识别算法。本文通过畸变校正还原出车辆行驶轨迹的物理信息,设计含隐状态的有限状态自动机对车辆的异常行为进行逻辑判断。经测试发现,本文设计的算法在异常停车相关的实验中,时间片段检测准确度为86.12%;在违规占道相关的实验中,车道信息识别精度为95.52%;在违规掉头相关的实验中,车辆行驶方向检测召回率为93.16%;在超速检测相关的实验中,测速的平均绝对误差为1.4544m/s,实验证明,延时触发机制对系统提升检测效果具有促进作用。（3）本文开发了快速路场景下的车辆异常行为识别系统。该系统既能对输入的视频流在监控显示界面进行实时显示,也能对车辆轨迹提取模块以及异常行为识别模块进行可视化,能辅助后台值守人员对车辆异常行为进行判断,同时该系统具有异常车辆留证功能,直接将发生异常行为的车辆快照进行存储。本文围绕城市快速路应用场景的实际需求,设计了基于车辆端向点检测的轨迹提取算法,以及基于车辆轨迹的异常行为识别算法,并搭建系统平台对算法模型进行集成,通过在京通快速路项目中的实践,发现本文的工作符合预定的期望、具有学术和应用价值。
童冰[2]（2020）在《计算机视觉技术在智能交通系统中的应用》文中研究表明随着我国科技的发展,在交通系统中也逐渐引入了更多先进的科技技术,帮助我国的交通事业取得了巨大的进步,同时也大幅度地减少了交通事故。基于此,该文主要讨论了计算机视觉技术在智能交通系统当中的主要应用策略,分别对计算机视觉技术在车辆导航、交通监控、智能收费、辅助驾驶及智能驾驶方面的应用进行了探讨,最后对计算机视觉技术在智能交通系统中的价值进了分析。
柴江云[3]（2020）在《交通监控中车辆属性的识别方法研究》文中指出车辆作为智能交通系统的重要组成成员,其在交通监控中各类属性信息的有效识别可以提升智能交通系统的运行效率。传统的车辆属性识别仅包括车辆的类型或颜色等单一属性,已经无法满足现有的交通系统。为了提高在实际监控中车辆检测定位的可靠性,利用深度神经网络的思想建立了一种能够在交通监控中识别车辆各类属性的模型,主要包括车辆类型、车辆颜色、车辆标志以及车牌四种属性类别。本文的主要研究内容如下:1.分析研究了车辆属性识别以及深度学习的国内外研究方向与进展,并总结了目前各类车辆属性识别方法存在的不足。2.针对目前车辆属性识别的属性单一,无法适应现有交通需求的问题,提出了基于YOLOv3网络的改进型网络,针对车辆各属性尺寸大小不同,采用分级训练的方法,将YOLOv3网络的深度降低,保留部分卷积层,然后在每个卷积层后加入池化层以提取车辆属性特征,最后将输出的多种尺度进行拼接,实现车辆多种属性的融合识别。3.建立满足交通监控环境的车辆多属性数据集,通过该数据集为网络提供模型训练的准备,并完成车辆属性识别模型的训练与测试验证。实验结果表明:（1）本文所用的基于改进的YOLOv3网络的车辆属性识别模型可以实现车辆多种属性的融合识别,克服了现有车辆识别方法的属性单一问题;（2）采用将车辆各属性进行分级训练有效的避免了由于网络深度增加导致识别时间延长的问题,在满足实时性的条件下有效提高了准确率:（3）在多种监控场景下进行测试验证,均表现出良好的适用性,适用于交通监控中车辆的属性识别。
李伟[4]（2020）在《基于计算机视觉的汽车辅助驾驶关键技术研究》文中认为保证行车安全永远是汽车辅助驾驶系统的根本目的。近年来,汽车保有量迅速增加,交通事故也日益增多,提高行车安全刻不容缓;大数据、机器学习、计算机硬件等领域取得较大进展,在软硬件方面提供了良好平台;计算机视觉技术相比依靠雷达等硬件的技术,凭借着低成本、信息交互方式与人类相似等特性,在各个行业有着广泛的应用。在此背景下基于计算机视觉的汽车安全辅助驾驶技术受到了全面的关注,并被广泛的应用在汽车的辅助驾驶系统中。本文以国内的交通安全现状出发,利用计算机视觉技术,在交通标志检测、车道线检测和行人人体姿态估计方面展开研究,主要研究内容及成果包括:（1）研究了交通标志识别技术和深度学习训练优化方法。利用SSD模型准确度较高、速度较快的特点,针对交通标志的特定比例、目标小的特点对SSD模型进行优化,给出了基于SSD模型的交通标志检测模型。实验结果证明,本文模型不但对小目标识别度较好,同时实时性也有一定程度提升;根据SGD方法和Adam方法各自的特点,给出了基于SGD方法和Adam方法的混合优化方法。实验结果证明,混合优化方法可以减少迭代次数,并且使得损失函数更好的收敛。（2）研究了车道线检测技术。利用了Sobel算子对横向边缘敏感、Hsv模型对黄色和白色更加敏感的特点,给出了基于Sobel算子和Hsv模型的双模型对车道线进行检测;同时根据实际的需求对滑动窗搜索算法进行优化。实验结果证明,Sobel和Hsv双模型对车道线的检测结果较好,滑动窗搜索算法经过优化后,车道线检测算法的实时性大大提高。（3）研究了行人人体姿态估计技术。利用Open Pose模型实时性高的特点,对Open Pose模型进行优化,训练了针对中国人体型的人体姿态估计模型。实验结果证明,经过优化后的模型,对中国人的人体姿态估计准确度和实时性都有所提升。（4）人体关节点标注脚本的编写。使用Python语言编写了修改人体姿态关节点的脚本,在保证准确度的前提下,大大提高人体姿态数据集建立的速度。（5）相关数据集的建立。标注了包含60000张国内3类关键交通标志的数据集,作为本文研究交通标志检测和车道线检测的数据集;标注了包含100000张20-45岁中国人的人体关节点的数据集,作为本文研究行人姿态估计的数据集。
吴哲成[5]（2020）在《基于视觉信息的高速路面状态检测技术研究》文中提出加强高速公路交通智能化建设、提高交通管理的工作效率,是我国在“建设交通强国”发展趋势下的迫切需求。路面状态检测技术旨在帮助高速公路监管部门提前发现结冰、积雪等不良路况,为高速公路监管部门对确保车辆行驶安全及路面维护提供重要决策依据。相比于基于硬件设备的路面状态检测技术成本较高、检测范围受局限等问题,基于视觉信息的路面状态检测技术成本较低、覆盖范围广,具有更高的研究价值。本文针对现有视觉路面状态检测技术受路面周围无关景物及光线的干扰所导致分类准确度不高的问题,难以适用于高速交通行业的实际应用需求,对开展基于视频的路面状态检测技术所需的路面区域分割、路面阴影消除等内容进行研究,旨在为提高高速公路路面状态检测准确率的同时,为行业同类方法提供技术积累。具体工作如下:（1）提出一种基于U-Net+Attention残差注意力机制的路面区域分割算法。为了消除高速公路路面两侧无效信息对检测过程带来的干扰,本文将融合了空间注意力机制和通道注意力机制的Attention模块与具有高分割精度的U-Net网络相结合,增强了应用语义分割模型对路面区域分割的准确性。首先,基于混合高斯背景建模算法,对高速监控视频的静态背景进行了建模,实现了对监控视频中包含路面区域的静态背景提取;接着,将融合了空间注意力机制和通道注意力机制的Attention模块与U-Net网络于其特征拼接处相结合,将新的网络基于标注路面后的KITTI-Road数据集训练路面分割模型;最后,实现了对背景图片中路面区域的准确分割。测试结果表明,相比其他图像分割方法具有较好的路面分割效果。（2）实现了一种基于循环生成对抗网络的路面阴影消除算法。首先,采集不同路面状态下的阴影图片对经典阴影数据集ISTD进行扩充,并基于循环生成对抗网络训练路面阴影消除模型;然后,使用基于上下文信息的阴影DSC（Direction-aware Spatial Context,DSC）特征实现对待消除路面阴影区域的检测;最后,结合路面阴影消除模型,实现对高速公路路面阴影区域的消除。（3）基于残差结构构建了高准确率的路面状态分类器。首先,构建了一套包含干燥、积水、积雪、结冰四种公路路面状态共4000张图片的数据集;然后,对比了基于机器学习方法的路面特征提取和多分类器构建模式与基于卷积神经网络进行路面状态分类的原理,基于残差结构搭建了本文的路面状态分类网络;最后,针对不同的网络结构对所构建的数据集进行训练以得到最优的分类模型应用到路面状态识别任务中。经测试集结果表明,应用本文方法所得分类器对不同路面状态的分类准确率达97.6%,证明了基于残差结构训练所得路面状态分类器相比其他分类方法而言,分类效果最佳。（4）构建了一套智能高速路面检测系统。该系统基于Py Qt的架构进行开发,设计实现了高速监控视频背景提取、路面区域分割、路面阴影检测与消除和路面状态识别等主要功能模块。测试结果表明,系统可以消除路面状态检测过程中公路两侧无关景物及阴影对检测过程带来的干扰,基于高速监控视频实现对路面状态的准确识别。
祝日星[6]（2020）在《无重叠视域的跨摄像机车辆再识别技术研究》文中研究表明车辆再识别是智能视频分析领域兴起的一项新技术,是指对监控摄像机网络中车辆进行身份一致性关联的研究,即判别由不同摄像机在不同时间所拍摄到的两辆车是否为同一辆车。车辆再识别技术可以将单摄像机监控扩展为多摄像机协同监控系统,对监控数据进行自动分析联动,有效节省车辆检索跟踪所需的人力、物力和时间,大幅提高交通监控效率。车辆再识别问题研究中,由于交通环境复杂、车辆移动速度快和摄像机安装配置差异等原因,车牌信息往往模糊不清或无法获得,车辆再识别技术则主要依赖于视觉外观特征进行不同监控画面中车辆身份的识别匹配。然而,车辆的视觉外观特征非常容易受到实际路网监控视频中拍摄角度各异、分辨率低、遮挡、光照变化等因素的影响,导致跨摄像机拍摄图像中车辆的外观可能发生显着的变化,使得车辆再识别研究非常具有挑战性。围绕上述干扰因素,本文从不同方面提出多个车辆再识别方法,主要的研究工作如下:（1）鉴于现有再识别方法主要集中于特征表示和特征匹配的设计而对样本间互联关系考虑不够充分的问题,本文提出一种有效的协同级联森林再识别模型,对车辆样本的深层互联关系进行建模,随着协同级联森林层级的加深,逐渐增强模型对跨摄像机车辆间的表达性和区分性。进一步地,在协同级联森林模型训练过程中引入课程学习,实现了一个由易到难的车辆再识别训练框架,使模型的再识别性能获得了显着提升。通过对样本间互联特性的深层学习,协同级联森林模型的参数量虽然很少,但在小规模和大规模数据集上都有着良好的再识别性能,而且相同的模型参数设置在不同数据集上都表现出很好的泛化能力。（2）针对现有车辆再识别方法多依赖于大量的有标签数据而收集和标注大规模数据集十分困难和耗时的问题,本文利用单视图Cycle GAN进行不同摄像机间图像的风格迁移,将生成的多阶图像用作数据增广,不仅可以在增加数据多样性的同时降低模型的过拟合风险,还可以避免复杂的相机网络匹配问题。多阶图像包含有不同的域间信息,联合Center Loss和Hard Triplet Loss进行多阶图像间的交叉距离学习,可有效缓减不同摄像机的域间差异,从而克服类内间距大而类间间距小的问题,提高再识别模型的鲁棒性。（3）瞄准隧道内跨摄像机车辆再识别的应用前景,为了丰富车辆再识别数据集场景的多样性,本文构建了一个隧道车辆再识别Tunnel-VRe ID数据集。隧道监控中车辆外观受复杂的光照影响往往模糊不清难以识别。鉴于隧道场景极具挑战性,本文提出基于时空约束重排序的隧道车辆再识别模型,利用跨摄像机车辆间的行驶间隔时间,通过高斯混合模型和贝叶斯推理,将时空信息引入车辆再识别任务,使得车辆视觉外观相似的同时还应满足时空约束,车辆外观和时空约束互为补充、相互辅助,从而构建了一个更具判别性的隧道车辆再识别模型。综上,本文针对车辆再识别任务存在的问题,逐层深入依次提出了基于协同级联森林、基于多阶交叉距离学习的车辆再识别模型和基于时空约束重排序的三个车辆再识别模型。在多个不同规模、不同场景的数据集上,大量实验结果和理论分析都表明本文提出的模型具有良好的再识别性能,有助于推动车辆再识别技术在交通监控系统中的应用。
马聪[7]（2019）在《基于轨迹的异常行为分析关键技术研究》文中研究说明视频中的异常行为分析在交通监控、社会安防等领域有着广泛的应用,近年来已经成为计算机视觉研究的热点之一。本文针对视频中运动目标的轨迹信息提取和异常行为分析开展研究。运动物体的轨迹能够提供目标运动行为模式的宏观信息,而且与视频数据相比,轨迹信息易于储存、传输和分析,尤其适于交通场景下的长时间车辆监控。因此,本文以运动目标的轨迹作为行为的主要表征,研究异常行为分析的几个关键技术问题。一方面,研究用于视频监控中提取单个目标轨迹的连续跟踪算法,以及提取复杂场景下多个目标轨迹的在线关联跟踪算法,从而在长期监控中获取关键目标物体的运动信息;另一方面,研究基于目标轨迹的异常行为检测,从基于距离的判别性分析和基于模型的生成式分析两个思路来分别设计算法,以检测出不符合场景主流行为模式的异常轨迹。本文的主要研究工作可概括为以下四个方面:（1）提出基于显着性先验模型的单目标轨迹提取算法。在目标存在形变或者非线性运动的情况下,对目标的跟踪容易发生漂移。为增强跟踪过程的稳健性,本文同时利用视觉显着分析和底层表观特征,以增强目标周围背景区域和前景目标的区分度,建立显着性先验模型,并结合累积空间上下文模型估计目标位置,以提升跟踪质量。另外,本文在建模和递推过程中均采用了快速离散频域变换以提高计算效率。实验验证表明,视觉显着性能够在空间上下文区域中辅助确定目标位置,进而提升跟踪稳健性,相比之前的算法,本方法能够提高目标轨迹提取的准确度,并取得了较好的速度—准确度平衡。（2）提出基于运动约束和表观优化的多目标轨迹提取算法。对多个目标的在线跟踪需要将不同视频帧中的目标进行关联,然而数据关联方法面临误检测、多目标互相干扰等挑战性因素。本文利用目标区域的光流向量获取运动关联约束,并基于视觉显着性对目标表观进行优化,最后结合运动约束、表观相似性约束,以及空间和尺度约束,提出一个新的代价函数,用于构建关联矩阵,实现两帧目标之间的关联,进而完成基于检测的在线多目标跟踪。在公开数据集上的实验验证表明,本文的算法能够有效地消除误检测带来的影响,与同时期算法相比,取得了优秀的性能,尤其能显着降低跟踪结果的虚警率。（3）提出基于自编码轨迹距离测度的异常行为检测方法。为将具有多样定义的异常行为与正常行为相区分,本文基于视频监控中的目标运动轨迹,使用循环神经网络捕捉轨迹的非线性动态时间特性,对于任意两条轨迹,使用自编码器分别学习轨迹表示,并计算交叉重建误差,得到二者之间的距离测度。而后,我们基于该距离,使用最近邻方法评估待测轨迹样本的异常程度。综合实验表明,本文所提出的轨迹距离测度能够有效区分多种异常轨迹运动模式,而且能够在多种复杂场景下检测出异常轨迹。（4）提出基于序列到序列模型的异常轨迹检测方法。针对复杂场景下轨迹的多样性,本文使用循环神经网络构建序列到序列的自编码轨迹描述模型,并基于轨迹的位置、速度、方向等多个维度,提出一个新的损失函数对模型进行优化,使得模型从轨迹数据中学习到场景中运动模式的主流规律。而后,本文使用所学习的模型表示待测轨迹样本,基于模型对样本的重构误差来判断轨迹的异常程度。在真实轨迹数据集上的实验表明,本文提出的方法能够处理混杂有少量异常样本的无标签轨迹数据,且与现有方法相比,在异常检测的准确率方面有明显的性能提升。综上所述,本文针对基于运动目标轨迹的异常行为分析的若干关键技术,在目标轨迹提取和异常行为分析两大方面进行了研究并提出了相应方法,从而形成了在视频监控中对目标异常行为进行检测的完整解决方案。本文方案尤其适用于在交通监控场景下对车辆目标的异常行为进行分析。
刘稳[8]（2019）在《计算机视觉在物流仓储安全管理中的应用研究》文中研究说明物流仓储安全是一个企业赖以生存的基本条件,在现代物流业和计算机技术大力发展的环境下,有效保障仓储安全的必要手段是要学习用智能化技术进行安全管理。智能视频监控系统的开发和应用有着广大的前景。仓储安全管理是在物流系统中进行系统地、科学地计划、协调、组织以及控制仓储的业务活动,在物流仓储过程中具有关键的作用。为实现提高物流仓储安全管理水平这一目标,利用智能视频监控系统、计算机视觉技术、安全仿真技术等来实现仓储的安全管理是非常有必要的。通过计算机视觉技术可以提取和分析视频监控信息,并对仓库监控范围的可疑行为进行检测和跟踪,实时获取信息,当发现异常行为时系统自动报警,从而实现仓库智能高效的安全管理。本文以淮南市爱一方电子商务有限公司的物流仓库为研究对象,主要对该仓库监控视频区域里运动目标进行实时检测和跟踪,从而及时发现异常行为,降低仓储风险。本文主要有两个研究内容:第一,利用仓库视频监控系统,采集并提取视频信息,运用高斯混合模型算法实现对运动目标的检测。第二,基于马尔可夫随机场的粒子滤波跟踪算法的研究,为应对更加复杂多变的背景环境下的跟踪问题,采用多子块多特征的目标跟踪算法,提高对遮挡、目标姿态变化以及噪声干扰等的鲁棒性。最后,开发设计一套物流仓库智能视频监控系统,使高斯混合模型和马尔可夫随机场在物流仓储安全监控管理中得以应用,实现对仓库运动目标的实时检测和跟踪,运用VS2010结合OPEN CV进行仿真实验,检测出仓库监控区域的异常行为,并发送报警信息,从而能及时采取措施降低仓储安全风险。图33 表5 参60
昝孟恩[9]（2019）在《基于粒子滤波的监控视频行人检测与跟踪研究》文中进行了进一步梳理智能监控系统的发展使传统的监控设备有了更多的应用场景,在智能监控系统中,行人的检测和跟踪在交通流量统计、公共空间安防和数据挖掘分析等领域应用广泛。作为后续分析和统计工作的基础,提高行人检测和跟踪部分的准确率尤为重要。但是,在监控视频中,复杂的检测和跟踪环境对算法提出了较高的要求。目标的尺度变化、形态变化、背景的颜色干扰、光线变化等因素降低了行人检测和跟踪方法的准确率。因此,本文总结和分析了监控视频下的行人检测和跟踪方法,并分别在行人检测和行人跟踪部分提出了相关的改进算法,具体工作如下:1.分别研究和比较了监控视频场景下的行人检测和跟踪方法,分析了各算法应用于监控视频场景中的优缺点。针对行人跟踪方法,在多个数据集上验证了各算法的跟踪效果,并从特征融合、算法理论融合和自适应粒子滤波三个方面研究了改进的粒子滤波跟踪算法。2.针对经典ViBe（Visual Background extractor,ViBe）算法在第一帧中有行人目标时存在的“鬼影”问题,提出一种新的改进算法—MViBe算法。通过帧差法获取行人具体位置并通过多帧图像重新构建背景模型,实验结果显示MViBe算法不仅实时性较高,而且可以有效地消除经典ViBe算法中出现的“鬼影”,算法的准确率、召回率和综合评价指标分别至少提高了 22%、6.6%和15.8%。3.提出一种融合颜色特征和纹理特征的自适应粒子滤波跟踪算法GCPF（GLCM-Color PF,GCPF）。分别通过彩色直方图和灰度共生矩阵描述行人的颜色特征和纹理特征,通过灰度共生矩阵的对比度参数自适应调整两种特征的权重。实验结果显示,在复杂环境下,GCPF算法有效提高了行人和背景颜色相似情况下跟踪的成功率,提升了光照变化条件下行人跟踪的准确率。综上,本文在行人检测部分提出了一种改进的行人检测算法—MViBe算法,并在行人跟踪部分提出了一种融合颜色特征和纹理特征的自适应粒子滤波跟踪算法—GCPF算法。在多组监控视频数据集中对所提出的算法进行验证,实验结果表明,本文提出的MViBe算法可以有效去除经典ViBe算法中存在的“鬼影”,GCPF算法可以显着提高复杂场景下跟踪的准确率和成功率。
石桂名[10]（2019）在《海上舰船目标检测方法研究》文中研究指明近年来伴随科学技术的快速发展,全球范围内的海洋战略愈演愈烈,海洋已经成为各国军事方面的必争之地和全球商贸的重要渠道。目前,由于各国海上军事活动的频繁发生和海上运输量的不断攀升,随之而来的是海上通航环境日益复杂,海上交通安全事故频繁发生。随着传感器技术和视频技术的不断发展,利用视频手段对海上目标进行实时监测具有重要的现实意义和应用价值。目前,海上视频监控系统的发展还是处于起步阶段,主要是由于海面复杂的环境和舰船目标的诸多不确定性限制。现阶段海上舰船目标检测面临的难点就是在复杂多变的海上环境下,能够实时、准确的检测目标,为后续进行舰船目标的识别、分类、跟踪的奠定重要基础。本文对海上视频图像中舰船目标检测方法进行了深入研究,提出了三种适应海上环境和舰船目标特点的目标检测算法,完成的主要研究工作如下:为了验证本文中的舰船目标检测方法,制作了海上舰船目标数据集,并根据实验需求对数据集进行分类。针对海上存在波浪噪声的情况,提出了一种Canny算子的改进算法。该算法利用复合形态学滤波能够很好的抑制海面波浪噪声,同时保留更多的舰船目标边缘信息,利用Otsu自适应阈值方法对阈值进行自适应设定,引入数学形态学算法对目标边缘进行后处理。实验证明,该算法可以提高舰船目标边缘信息检测的准确性。针对航行过程中舰船目标尺度和角度变化的情况,提出了基于边缘特征的多尺度Harris-Laplace角点检测改进算法。该算法在改进的Canny算法提取舰船边缘信息的基础上,采用改进的多尺度Harris-Laplace算法提取舰船目标的角点,选用改进的Graham算法对舰船目标进行凸包提取。实验证明,该算法提高了舰船目标角点提取、舰船目标检测的准确性和实时性。针对海上波浪噪声和云雾天气的情况,提出了一种融合帧间差分法和改进ViBe算法的舰船目标检测算法（ViBeDiff5）。该算法利用基于边缘特征的五帧差法获得舰船目标运动区域;同时在背景模型初始化和更新等方面对ViBe算法进行改进,可以获得更加准确的背景模型;将这两种方法相结合可以得到更为准确、完整的舰船目标的信息,能够快速消除“鬼影”的同时极大程度的抑制了海上各种噪声,从而提高舰船目标检测的准确性和鲁棒性;最后在舰船目标检测结果的二值图像上通过最小外接矩形来提取舰船目标。实验证明,该算法可以提高舰船目标定位的准确性。针对海上雾天小目标辨识度不高的情况,提出了一种基于改进视觉注意模型的舰船目标检测算法。该算法利用Otsu法和Hough变换提取海天线,划定海天区域作为舰船目标提取范围;在经典Itti模型的基础上进行改进,利用小波变换方法提取高频和低频特征,采用改进的Gabor滤波器和DMT分别得到方向特征和边缘纹理特征,在HSI色彩空间下提取颜色特征和运动特征;最后将各特征图通过加权线性融合得到显着图,进而分割出舰船目标区域。实验证明,该算法可以提高舰船目标检测的准确性、降低冗余度,特别是在雾天小目标的情况下仍然表现出较强的适应性。
二、计算机视觉在交通监控中的应用（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、计算机视觉在交通监控中的应用（论文提纲范文）
（1）基于视觉检测与定位的快速路车辆异常行为识别（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.2.1 车辆轨迹信息提取研究现状 |
| 1.2.2 车辆异常行为检测研究现状 |
| 1.3 研究内容 |
| 1.4 创新点 |
| 1.5 论文章节安排 |
| 第二章 论文方案设计及相关理论基础 |
| 2.1 方案设计 |
| 2.2 基于视觉特征的车辆追踪技术 |
| 2.2.1 车辆视觉特征描述器 |
| 2.2.2 单阶与双阶车辆追踪器 |
| 2.3 车辆位置等效点与轨迹滤波技术 |
| 2.3.1 车辆位置等效点 |
| 2.3.2 车辆轨迹滤波技术 |
| 2.4 车辆异常行为识别技术 |
| 2.5 本章小结 |
| 第三章 基于车辆端向点检测的轨迹提取算法 |
| 3.1 算法结构 |
| 3.2 基于交叠式裁剪技术的图像预处理算法 |
| 3.3 车辆端向点检测算法 |
| 3.3.1 基干网络 |
| 3.3.2 车辆端向点拟合 |
| 3.4 车辆轨迹提取算法 |
| 3.5 本章小结 |
| 第四章 基于车辆轨迹的异常行为识别算法 |
| 4.1 算法流程结构 |
| 4.2 轨迹畸变校正 |
| 4.3 基于拼接插值的轨迹滤波算法 |
| 4.4 轨迹信息融合算法 |
| 4.5 有限状态自动机与异常行为识别 |
| 4.6 本章小结 |
| 第五章 快速路车辆异常行为识别系统及相关实验 |
| 5.1 实验准备工作 |
| 5.1.1 端向点标注工具 |
| 5.1.2 训练集构建 |
| 5.1.3 实验环境及模型训练 |
| 5.2 车辆端向点检测相关实验 |
| 5.2.1 评价指标 |
| 5.2.2 实验结果与分析 |
| 5.3 车辆异常行为检测相关实验 |
| 5.3.1 车辆异常停车相关实验 |
| 5.3.2 车辆违规占道相关实验 |
| 5.3.3 车辆违规掉头相关实验 |
| 5.3.4 车辆超速检测相关实验 |
| 5.4 快速路车辆异常行为识别系统 |
| 5.4.1 系统设计目标 |
| 5.4.2 系统框架结构图 |
| 5.4.3 系统各部分功能实现效果演示 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文工作总结 |
| 6.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士期间发表论文 |
（2）计算机视觉技术在智能交通系统中的应用（论文提纲范文）
| 1 智能交通系统的组成 |
| 2 计算机视觉技术在智能交通系统的使用 |
| 2.1 在车辆导航方面 |
| 2.2 在道路控制方面 |
| 2.3 在智能收费方面 |
| 2.4 在辅助驾驶方面 |
| 2.5 在交通监控方面 |
| 2.6 车辆智能驾驶方面 |
| 3 结语 |
（3）交通监控中车辆属性的识别方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 车辆属性识别难点分析 |
| 1.3 国内外研究现状 |
| 1.3.1 车型识别研究现状 |
| 1.3.2 车标识别研究现状 |
| 1.3.3 车辆颜色识别研究现状 |
| 1.3.4 车牌识别研究现状 |
| 1.4 主要研究内容 |
| 1.5 组织结构 |
| 2 相关理论与技术 |
| 2.1 深度学习概述 |
| 2.2 卷积神经网络 |
| 2.2.1 卷积层 |
| 2.2.2 池化层 |
| 2.2.3 ReLU激活函数 |
| 2.3 YOLO概述 |
| 2.4 相关开发工具 |
| 2.4.1 OpenCV软件库 |
| 2.4.2 HyperLPR |
| 2.5 本章小结 |
| 3 交通监控中车辆属性识别 |
| 3.1 交通监控中车辆属性识别方法 |
| 3.2 车辆属性识别流程 |
| 3.2.1 车辆属性识别流程设计 |
| 3.2.2 车辆属性分类 |
| 3.2.3 性能评价指标 |
| 3.3 网络损失函数 |
| 3.4 车辆属性识别模块功能 |
| 3.5 车辆属性识别模型 |
| 3.6 本章小结 |
| 4 实验结果与分析 |
| 4.1 数据集 |
| 4.1.1 车辆图像数据集 |
| 4.1.2 属性标签数据集 |
| 4.2 实验环境 |
| 4.3 车辆属性识别模块测试 |
| 4.4 模型性能分析 |
| 4.4.1 不同监控场景下的识别性能 |
| 4.4.2 不同车辆识别方法性能对比 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间主要研究成果 |
（4）基于计算机视觉的汽车辅助驾驶关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 基于计算机视觉的汽车辅助驾驶关键技术 |
| 1.2.1 交通标志检测技术 |
| 1.2.2 车道线检测技术 |
| 1.2.3 行人人体姿态估计技术 |
| 1.3 课题的国内外研究现状及发展趋势 |
| 1.3.1 国外发展状况 |
| 1.3.2 国内发展状况 |
| 1.4 本文章节安排和创新点 |
| 本章小结 |
| 第二章 基于计算机视觉的汽车辅助驾驶关键技术相关理论 |
| 2.1 深度学习优化算法 |
| 2.1.1 梯度下降法 |
| 2.1.2 随机梯度下降法 |
| 2.1.3 动量法 |
| 2.1.4 Ada Grad算法 |
| 2.1.5 RMSProp算法 |
| 2.1.6 Adam算法 |
| 2.2 数据预处理 |
| 2.2.1 数据扩充 |
| 2.2.2 相机标定和图像畸变矫正 |
| 2.3 交通标志检测算法 |
| 2.3.1 Edge Boxes边缘检测算法 |
| 2.3.2 R-CNN检测算法 |
| 2.3.3 Fast-RCNN算法检测算法 |
| 2.3.4 Faster-RCNN检测算法 |
| 2.3.5 YOLO检测算法 |
| 2.4 车道线检测算法 |
| 2.4.1 Canny边缘检测算法的车道线检测 |
| 2.4.2 LBP边缘检测算法的车道线检测 |
| 2.4.3 HOG边缘检测算法的车道线检测 |
| 2.5 行人人体姿态估计算法 |
| 2.5.1 Deep Pose人体姿态估计算法 |
| 2.5.2 Dense Pose人体姿态估计算法 |
| 2.5.3 基于级联金字塔网络的人体姿态估计算法 |
| 本章小结 |
| 第三章 交通标志检测技术 |
| 3.1 引言 |
| 3.2 交通标志数据集的建立 |
| 3.3 基于SSD算法的交通标志检测 |
| 3.3.1 SSD网络结构原理及训练过程 |
| 3.3.2 改进的基于SSD交通标志检测算法 |
| 3.4 实验 |
| 3.4.1 实验环境与实验数据 |
| 3.4.2 实验结果 |
| 本章小结 |
| 第四章 车道线检测技术 |
| 4.1 引言 |
| 4.2 车道线检测流程和数据集预处理 |
| 4.2.1 车道线检测流程 |
| 4.2.2 数据集预处理 |
| 4.3 基于双模型的车道线检测算法 |
| 4.4 改进的基于滑动窗搜索的车道线检测算法 |
| 4.5 实验 |
| 4.5.1 实验环境与实验数据 |
| 4.5.2 实验结果 |
| 本章小结 |
| 第五章 行人人体姿态估计技术 |
| 5.1 引言 |
| 5.2 人体关节点数据集的建立 |
| 5.2.1 人体关节点数据集的选择 |
| 5.2.2 基于Python语言的标注修改脚本的设计 |
| 5.3 基于Open Pose的人体姿态估计 |
| 5.3.1 Open Pose网络结构原理及训练过程 |
| 5.3.2 改进的基于Open Pose的行人人体姿态估计算法 |
| 5.4 实验 |
| 5.4.1 实验环境与实验数据 |
| 5.4.2 实验结果 |
| 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表的学术论文 |
| 致谢 |
（5）基于视觉信息的高速路面状态检测技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 路面分割技术研究现状 |
| 1.2.2 路面阴影消除技术研究现状 |
| 1.2.3 路面状态分类技术研究现状 |
| 1.2.4 智能交通系统研究现状 |
| 1.3 研究目标与研究内容 |
| 1.4 本文的结构安排 |
| 第2章 公路路面区域分割 |
| 2.1 引言 |
| 2.2 高速监控视频静态背景提取 |
| 2.2.1 混合高斯背景建模算法 |
| 2.2.2 直方图投影背景建模算法 |
| 2.2.3 VIBE背景建模算法 |
| 2.3 背景建模实验结果及分析 |
| 2.4 基于传统视觉算法的路面区域分割 |
| 2.4.1 基于阈值法的路面区域分割 |
| 2.4.2 基于马尔科夫随机场的路面区域分割 |
| 2.4.3 基于区域生长法的路面区域分割 |
| 2.5 基于深度学习的路面区域分割 |
| 2.5.1 语义分割网络 |
| 2.5.2 基于注意力机制的语义分割网络 |
| 2.6 实验结果分析 |
| 2.7 本章小结 |
| 第3章 公路路面阴影消除 |
| 3.1 引言 |
| 3.2 路面阴影检测 |
| 3.2.1 基于色度特征的阴影检测 |
| 3.2.2 基于聚类算法的阴影检测 |
| 3.2.3 基于DSC特征的阴影检测 |
| 3.3 路面阴影检测及结果分析 |
| 3.4 路面阴影消除 |
| 3.4.1 基于快速步进算法的阴影消除 |
| 3.4.2 基于Navier-Stokes方程的阴影消除 |
| 3.4.3 基于生成对抗网络的阴影消除 |
| 3.5 基于循环生成对抗网络的路面阴影消除 |
| 3.5.1 构建路面阴影数据集 |
| 3.5.2 循环对抗网络的搭建 |
| 3.6 实验结果与分析 |
| 3.7 本章小结 |
| 第4章 公路路面状态分类 |
| 4.1 引言 |
| 4.2 构建路面状态数据集 |
| 4.3 基于机器学习的路面状态分类方法 |
| 4.3.1 公路路面的特征提取 |
| 4.3.2 公路路面状态的分类器设计 |
| 4.4 基于卷积神经网络的路面状态分类 |
| 4.4.1 基于卷积层的特征提取 |
| 4.4.2 基于残差结构的分类器构建 |
| 4.5 实验结果与分析 |
| 4.6 本章小结 |
| 第5章 智能高速路面检测系统的设计与实现 |
| 5.1 引言 |
| 5.2 系统需求分析 |
| 5.2.1 功能性需求 |
| 5.2.2 非功能性需求 |
| 5.3 系统架构设计与实现 |
| 5.3.1 系统开发环境 |
| 5.3.2 系统框架 |
| 5.3.3 系统模块设计 |
| 5.3.4 系统数据交互设计 |
| 5.3.5 系统展示 |
| 5.4 系统性能分析 |
| 5.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间所获成果 |
| 攻读硕士学位期间参加的科研项目和获得奖励 |
| 致谢 |
（6）无重叠视域的跨摄像机车辆再识别技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 车辆再识别研究现状 |
| 1.2.1 相关国内外研究 |
| 1.2.2 常用公开数据集 |
| 1.2.3 存在的挑战 |
| 1.3 论文主要工作及创新点 |
| 1.4 论文组织与结构 |
| 第二章 再识别方法的研究综述 |
| 2.1 再识别方法归类综述 |
| 2.1.1 基于特征学习的再识别方法 |
| 2.1.2 基于度量学习的再识别方法 |
| 2.1.3 基于深度学习的再识别方法 |
| 2.1.4 基于生成对抗学习的再识别方法 |
| 2.1.5 再识别方法总结 |
| 2.2 再识别性能评价指标 |
| 2.3 本章小结 |
| 第三章 基于协同级联森林的车辆再识别 |
| 3.1 引言 |
| 3.2 级联森林相关理论 |
| 3.3 协同级联森林再识别模型构建 |
| 3.3.1 车辆再识别问题建模 |
| 3.3.2 车辆图像特征提取 |
| 3.3.3 协同级联森林模型构建 |
| 3.3.4 基于课程学习的协同级联森林模型构建 |
| 3.4 实验结果与分析 |
| 3.4.1 实验设置 |
| 3.4.2 模型参数分析 |
| 3.4.3 Tunnel-VReID数据集上的性能比较 |
| 3.4.4 VehicleID数据集上的性能比较 |
| 3.4.5 SCF与GcForest对比分析 |
| 3.4.6 SCF与Deep Learning对比分析 |
| 3.5 本章小结 |
| 第四章 基于多阶交叉距离学习的车辆再识别 |
| 4.1 引言 |
| 4.2 单视图CycleGAN模型构建 |
| 4.2.1 CycleGAN算法基础 |
| 4.2.2 单视图CycleGAN模型改进 |
| 4.3 多阶交叉距离学习模型构建 |
| 4.3.1 车辆再识别问题描述 |
| 4.3.2 多阶图像增广 |
| 4.3.3 多阶交叉距离学习 |
| 4.4 实验结果与分析 |
| 4.4.1 实验设置 |
| 4.4.2 交叉距离组合分析 |
| 4.4.3 多阶图像增广分析 |
| 4.4.4 Center Loss的影响分析 |
| 4.4.5 车辆再识别数据集上的性能评估 |
| 4.5 本章小结 |
| 第五章 基于时空约束重排序的隧道车辆再识别 |
| 5.1 引言 |
| 5.2 时空约束相关工作 |
| 5.3 车辆跨摄像机行驶时间间隔分布估计 |
| 5.4 时空约束重排序 |
| 5.4.1 时空约束模型构建 |
| 5.4.2 协同级联森林再识别重排序 |
| 5.4.3 多阶交叉距离学习再识别重排序 |
| 5.5 实验结果与分析 |
| 5.5.1 实验设置 |
| 5.5.2 实验结果 |
| 5.6 本章小结 |
| 总结与展望 |
| 总结 |
| 展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（7）基于轨迹的异常行为分析关键技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究现状与问题 |
| 1.2.1 目标轨迹提取 |
| 1.2.2 异常行为分析 |
| 1.3 本文主要研究内容 |
| 1.4 论文结构安排 |
| 2 基于轨迹的异常行为分析概述 |
| 2.1 研究框架 |
| 2.1.1 目标轨迹提取 |
| 2.1.2 异常行为分析 |
| 2.2 数据集简介 |
| 2.2.1 单目标跟踪公开数据集 |
| 2.2.2 多目标跟踪公开数据集 |
| 2.2.3 异常轨迹检测公开数据集 |
| 2.3 方法评价标准 |
| 2.3.1 单目标跟踪评价标准 |
| 2.3.2 多目标跟踪评价标准 |
| 2.3.3 异常轨迹检测评价标准 |
| 2.4 本章小结 |
| 3 基于显着性先验模型的单目标轨迹提取 |
| 3.1 引言 |
| 3.2 显着性先验模型 |
| 3.2.1 基于底层特征的上下文模型 |
| 3.2.2 基于视觉显着性的上下文模型 |
| 3.2.3 两个模型组合的可视化分析 |
| 3.3 时空上下文递推跟踪 |
| 3.3.1 基于时空上下文的跟踪框架概述 |
| 3.3.2 时空上下文子模型推导 |
| 3.4 实验结果与讨论 |
| 3.4.1 实验设置 |
| 3.4.2 实验结果与分析 |
| 3.5 本章小结 |
| 4 基于运动约束和表观优化的多目标轨迹提取 |
| 4.1 引言 |
| 4.2 多目标在线逐帧关联 |
| 4.2.1 基本术语说明 |
| 4.2.2 基于运动向量的关联代价 |
| 4.2.3 基于表观优化的关联代价 |
| 4.2.4 帧间关联匹配 |
| 4.3 轨迹状态管理 |
| 4.3.1 轨迹的初始化与跟踪 |
| 4.3.2 轨迹的生长与异常处理 |
| 4.4 实验结果与讨论 |
| 4.4.1 实验设置 |
| 4.4.2 实验结果与分析 |
| 4.5 本章小结 |
| 5 基于自编码轨迹距离测度的异常行为分析 |
| 5.1 引言 |
| 5.2 基于自编码器的轨迹距离 |
| 5.2.1 相关背景介绍 |
| 5.2.2 自编码器网络结构 |
| 5.2.3 轨迹距离定义 |
| 5.3 基于距离的异常检测 |
| 5.4 实验结果与分析 |
| 5.4.1 对多种轨迹异常模式的评估 |
| 5.4.2 异常轨迹检测实验设置 |
| 5.4.3 异常轨迹检测实验结果 |
| 5.4.4 参数讨论 |
| 5.5 本章小结 |
| 6 基于序列到序列模型的异常行为分析 |
| 6.1 引言 |
| 6.2 序列到序列的轨迹模型学习 |
| 6.2.1 自编码损失函数 |
| 6.2.2 序列到序列模型 |
| 6.2.3 主流模式规律学习 |
| 6.3 基于阈值的异常判断 |
| 6.4 实验结果与分析 |
| 6.4.1 异常检测实验设置 |
| 6.4.2 异常轨迹检测结果 |
| 6.4.3 在交通视频上的综合评估 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 全文总结 |
| 7.2 工作展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（8）计算机视觉在物流仓储安全管理中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究现状及发展状况 |
| 1.2.1 物流仓储安全管理的现状及发展趋势 |
| 1.2.2 计算机视觉在国内外的应用现状 |
| 1.3 目前存在的问题 |
| 1.4 论文的研究内容和结构安排 |
| 2 基于计算机视觉的物流仓储安全管理的理论研究 |
| 2.1 物流仓储安全管理 |
| 2.1.1 仓储的发展历程 |
| 2.1.2 物流仓储安全监控系统的介绍 |
| 2.2 计算机视觉概述 |
| 2.2.1 颜色空间模型 |
| 2.2.2 图像处理的相关知识 |
| 2.3 本章小结 |
| 3 基于高斯混合模型的视频目标检测算法 |
| 3.1 运动目标检测的典型方法 |
| 3.1.1 光流法 |
| 3.1.2 帧间差分法 |
| 3.1.3 背景差分法 |
| 3.2 高斯混合模型算法研究 |
| 3.2.1 高斯混合模型原理分析 |
| 3.2.2 高斯混合模型背景模型的建立 |
| 3.2.3 高斯混合模型初始参数确定和参数更新 |
| 3.2.4 高斯混合模型背景模型的生成 |
| 3.3 实验结果与分析 |
| 3.4 本章小结 |
| 4 基于马尔科夫随机场的视频目标跟踪算法 |
| 4.1 马尔可夫随机场模型 |
| 4.1.1 马尔可夫随机场基本理论 |
| 4.1.2 MRF随机场与Gibbs随机场的等价关系 |
| 4.2 基于MRF的粒子滤波跟踪算法 |
| 4.2.1 基于马尔可夫随机场的目标建模 |
| 4.2.2 目标跟踪算法流程 |
| 4.3 实验结果与分析 |
| 4.3.1 实验环境 |
| 4.3.2 实验结果与分析 |
| 4.4 本章小结 |
| 5 智能视频监控系统及其应用 |
| 5.1 智能视频监控系统的开发设计 |
| 5.1.1 智能视频监控系统的硬件及软件配置 |
| 5.1.2 智能视频监控系统的功能模块设计 |
| 5.2 智能视频监控系统的实现 |
| 5.2.1 智能视频监控系统界面及模块实现 |
| 5.2.2 目标检测与跟踪技术在智能视频监控系统中的应用 |
| 5.3 本章小结 |
| 6 工作总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 作者简介 |
（9）基于粒子滤波的监控视频行人检测与跟踪研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 行人检测研究现状 |
| 1.2.2 行人跟踪研究现状 |
| 1.3 研究难点 |
| 1.4 研究内容和章节安排 |
| 2 监控视频中的行人检测算法 |
| 2.1 监控视频下的行人检测问题 |
| 2.2 主要的行人检测方法 |
| 2.2.1 光流法 |
| 2.2.2 背景减除法 |
| 2.2.3 帧间差分法 |
| 2.2.4 可视化背景提取(ViBe)算法 |
| 2.3 MViBe算法 |
| 2.4 实验仿真和结果分析 |
| 2.5 本章小结 |
| 3 监控视频场景下的行人跟踪算法 |
| 3.1 监控视频下的行人跟踪问题 |
| 3.2 主要的行人跟踪方法 |
| 3.2.1 基于Kalman滤波的跟踪算法 |
| 3.2.2 基于均值漂移的跟踪算法 |
| 3.2.3 基于Camshift的跟踪算法 |
| 3.2.4 基于粒子滤波的跟踪算法 |
| 3.3 改进的粒子滤波跟踪算法 |
| 3.3.1 粒子滤波算法存在的问题 |
| 3.3.2 对粒子滤波跟踪算法的改进 |
| 3.4 实验仿真和结果分析 |
| 3.5 本章小结 |
| 4 融合纹理特征的粒子滤波行人跟踪算法 |
| 4.1 GCPF算法的原理 |
| 4.1.1 特征选择 |
| 4.1.2 相似性度量 |
| 4.2 GCPF算法步骤描述 |
| 4.3 实验仿真和结果分析 |
| 4.4 本章小结 |
| 5 总结和展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 |
| 学位论文数据集 |
（10）海上舰船目标检测方法研究（论文提纲范文）
| 创新点摘要 |
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 海上目标检测图像分类 |
| 1.2.2 海上视频监控系统发展 |
| 1.2.3 海上视频图像舰船目标检测方法 |
| 1.3 海上视频图像特点分析及舰船目标检测存在的问题 |
| 1.3.1 海上视频图像特点分析 |
| 1.3.2 海上视频图像舰船目标检测存在的问题 |
| 1.4 论文的主要研究内容 |
| 1.5 论文的组织结构 |
| 2 海上舰船目标检测相关技术理论 |
| 2.1 引言 |
| 2.2 海上舰船目标数据集 |
| 2.2.1 数据采集 |
| 2.2.2 数据集分类 |
| 2.3 预处理和后处理 |
| 2.3.1 形态学算法 |
| 2.3.2 海天线提取 |
| 2.4 图像特征提取 |
| 2.4.1 角点特征 |
| 2.4.2 边缘特征 |
| 2.4.3 纹理特征 |
| 2.5 运动目标检测方法 |
| 2.5.1 帧间差分法 |
| 2.5.2 背景差分法 |
| 2.6 视觉注意机制 |
| 2.6.1 视觉注意理论 |
| 2.6.2 自底向上的显着性模型 |
| 2.6.3 自顶向下的显着性模型 |
| 2.7 本章小结 |
| 3 基于边缘特征的多尺度Harris-Laplace舰船目标检测 |
| 3.1 引言 |
| 3.2 舰船目标边缘特征提取 |
| 3.2.1 传统Canny边缘检测算子 |
| 3.2.2 Canny边缘检测算子的改进算法 |
| 3.3 基于Harris算法的海上舰船目标角点检测 |
| 3.4 基于边缘特征的多尺度Harris-Laplace舰船目标检测算法 |
| 3.4.1 算法流程 |
| 3.4.2 Mean-Shift滤波 |
| 3.4.3 Harris-Laplace多尺度角点检测算法 |
| 3.4.4 凸包目标检测 |
| 3.5 实验结果及分析 |
| 3.5.1 实验结果对比 |
| 3.5.2 实验结果分析 |
| 3.6 本章小结 |
| 4 基于融合帧差法和ViBe算法的舰船目标检测 |
| 4.1 引言 |
| 4.2 基于边缘特征的多帧差法的舰船目标检测 |
| 4.2.1 基于边缘特征的三帧差法 |
| 4.2.2 基于边缘特征的五帧差法 |
| 4.3 基于ViBe算法的海上舰船目标检测 |
| 4.4 基于融合帧差法和改进ViBe算法的舰船目标检测 |
| 4.4.1 算法流程 |
| 4.4.2 24邻域背景模型初始化 |
| 4.4.3 Otsu法前景检测 |
| 4.4.4 非等概率背景模型更新 |
| 4.4.5 舰船目标后处理 |
| 4.5 实验结果及分析 |
| 4.5.1 实验结果对比 |
| 4.5.2 实验结果分析 |
| 4.6 本章小结 |
| 5 基于视觉注意机制的舰船目标检测 |
| 5.1 引言 |
| 5.2 Itti模型 |
| 5.3 改进的Itti模型 |
| 5.3.1 算法流程 |
| 5.3.2 改进Top-hat形态学滤波 |
| 5.3.3 小波变换提取频率特征 |
| 5.3.4 DMT获取边缘纹理特征 |
| 5.3.5 指数Gabor滤波获取方向特征 |
| 5.3.6 色彩空间转换获取颜色特征和运动特征 |
| 5.3.7 加权线性融合与自适应阈值分割 |
| 5.4 海天线区域舰船目标检测 |
| 5.5 实验结果与分析 |
| 5.4.1 实验结果对比 |
| 5.4.2 实验结果分析 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间的科研成果 |
| 致谢 |
四、计算机视觉在交通监控中的应用（论文参考文献）
- [1]基于视觉检测与定位的快速路车辆异常行为识别[D]. 朱栋栋. 北京邮电大学, 2021(01)
- [2]计算机视觉技术在智能交通系统中的应用[J]. 童冰. 科技资讯, 2020(22)
- [3]交通监控中车辆属性的识别方法研究[D]. 柴江云. 西安理工大学, 2020(01)
- [4]基于计算机视觉的汽车辅助驾驶关键技术研究[D]. 李伟. 大连交通大学, 2020(05)
- [5]基于视觉信息的高速路面状态检测技术研究[D]. 吴哲成. 北京工业大学, 2020(06)
- [6]无重叠视域的跨摄像机车辆再识别技术研究[D]. 祝日星. 长安大学, 2020(06)
- [7]基于轨迹的异常行为分析关键技术研究[D]. 马聪. 北京交通大学, 2019(03)
- [8]计算机视觉在物流仓储安全管理中的应用研究[D]. 刘稳. 安徽理工大学, 2019(01)
- [9]基于粒子滤波的监控视频行人检测与跟踪研究[D]. 昝孟恩. 北京交通大学, 2019(01)
- [10]海上舰船目标检测方法研究[D]. 石桂名. 大连海事大学, 2019(06)