基于Gabor滤波器的前方车辆探测
| 第一章 绪论 | 第1-15页 |
| ·引言 | 第7-8页 |
| ·车辆检测的研究概况 | 第8-12页 |
| ·智能交通系统简介 | 第8-9页 |
| ·前方车辆检测的研究与发展 | 第9-12页 |
| ·本文研究工作概述 | 第12-14页 |
| ·本文研究的目的和意义 | 第12-13页 |
| ·本文研究的主要工作 | 第13-14页 |
| ·本文的内容安排 | 第14-15页 |
| 第二章 车辆候选区域的确定 | 第15-26页 |
| ·引言 | 第15-17页 |
| ·概述 | 第15页 |
| ·假设约束 | 第15-16页 |
| ·车辆候选区域获取概述 | 第16-17页 |
| ·灰度图像预处理 | 第17-22页 |
| ·灰度均衡 | 第17-19页 |
| ·灰度图像的阈值分割 | 第19-22页 |
| ·车辆候选区域的确定 | 第22-25页 |
| ·候选区域选取方法的比较 | 第23页 |
| ·提取候选区域算法的具体实现 | 第23-25页 |
| ·本章小结 | 第25-26页 |
| 第三章 基于特征加权的 Gabor 特征抽取 | 第26-39页 |
| ·引言 | 第26-27页 |
| ·Gabor 滤波器简介 | 第27-30页 |
| ·Gabor 函数的提出 | 第27-28页 |
| ·Gabor 函数与测不准原理 | 第28-29页 |
| ·2DGabor 滤波器 | 第29-30页 |
| ·基于特征加权的Gabor 特征抽取算法 | 第30-37页 |
| ·Gabor 滤波器在特征抽取中的应用研究 | 第30-32页 |
| ·Gabor 滤波器特征抽取原理 | 第32-34页 |
| ·基于特征加权的算法实现 | 第34-37页 |
| ·本章小结 | 第37-39页 |
| 第四章 基于支持矢量机的前方车辆识别 | 第39-62页 |
| ·引言 | 第39-43页 |
| ·图像识别的模式识别方法 | 第39-42页 |
| ·模式识别系统 | 第42-43页 |
| ·可用于车辆识别的方法 | 第43-45页 |
| ·支持矢量机 | 第45-52页 |
| ·线性支持矢量机 | 第47-50页 |
| ·非线性支持矢量机 | 第50-52页 |
| ·支持矢量机的学习算法 | 第52-54页 |
| ·学习算法 | 第52-53页 |
| ·改进算法 | 第53-54页 |
| ·利用改进的SMO 算法对车辆进行识别 | 第54-61页 |
| ·顺序最小优化(SMO)简介 | 第54-55页 |
| ·求解两个Lagrange 乘子的分析方法 | 第55-57页 |
| ·基于启发式选择方法的Lagrange 系数优化 | 第57-58页 |
| ·最小优化后的重置工作 | 第58-59页 |
| ·SMO 算法的特点和优势 | 第59-60页 |
| ·车辆识别的具体过程 | 第60-61页 |
| ·本章小结 | 第61-62页 |
| 第五章 实验验证及结果分析 | 第62-67页 |
| ·实验验证 | 第62-65页 |
| ·实验结果分析 | 第65-67页 |
| 第六章 全文总结 | 第67-69页 |
| ·论文主要研究工作及结论 | 第67-68页 |
| ·本文的局限性及进一步研究工作 | 第68-69页 |
| 参考文献 | 第69-74页 |
| 摘要 | 第74-76页 |
| Abstract | 第76-79页 |
| 致谢 | 第79页 |
