| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第10-18页 |
| 1.1 课题研究的背景和意义 | 第10-11页 |
| 1.2 智能安全气囊系统的发展现状 | 第11-13页 |
| 1.3 乘员类型的研究现状 | 第13-16页 |
| 1.3.1 乘员类型的划分依据 | 第13-14页 |
| 1.3.2 乘员类型分类识别技术的研究现状 | 第14-16页 |
| 1.4 本文的主要工作内容 | 第16-18页 |
| 第2章 模式识别的理论和方法 | 第18-26页 |
| 2.1 模式识别理论概述 | 第18-19页 |
| 2.2 模式识别主要方法 | 第19-20页 |
| 2.2.1 统计模式识别 | 第19页 |
| 2.2.2 句法结构模式识别 | 第19-20页 |
| 2.2.3 模糊模式识别 | 第20页 |
| 2.2.4 人工神经网络模式识别 | 第20页 |
| 2.3 支持向量机的方法 | 第20-25页 |
| 2.3.1 支持向量机的基本原理 | 第21页 |
| 2.3.2 线性SVM | 第21-23页 |
| 2.3.3 非线性SVM | 第23-24页 |
| 2.3.4 SVM的核函数 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 乘员图像边缘轮廓提取研究 | 第26-38页 |
| 3.1 乘员图像的采集处理系统搭建 | 第26页 |
| 3.2 图像预处理 | 第26-30页 |
| 3.2.1 彩色图像灰度化 | 第27页 |
| 3.2.2 感兴趣区域的获取 | 第27-28页 |
| 3.2.3 图像增强处理 | 第28-30页 |
| 3.3 图像边缘轮廓检测 | 第30-37页 |
| 3.3.1 经典边缘检测算子 | 第31-33页 |
| 3.3.2 Canny算子 | 第33-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第4章 乘员类型的分类和识别研究 | 第38-60页 |
| 4.1 乘员图像的特征提取 | 第38-44页 |
| 4.1.2 基于Hu矩的特征提取 | 第39-42页 |
| 4.1.3 基于Zernike矩的特征提取 | 第42-44页 |
| 4.2 乘员图像特征值的选择 | 第44-51页 |
| 4.2.1 特征选择的基本理论 | 第44-46页 |
| 4.2.2 基于微分进化（DE）算法的特征选择 | 第46-48页 |
| 4.2.3 基于改进型微分进化算法的特征优化选择 | 第48-50页 |
| 4.2.4 特征选择结果分析 | 第50-51页 |
| 4.3 数据归一化 | 第51-52页 |
| 4.3.1 最大最小法 | 第51-52页 |
| 4.3.2 普通归一化法 | 第52页 |
| 4.3.3 高斯归一化法 | 第52页 |
| 4.3.4 均匀分布归一化法 | 第52页 |
| 4.4 支持向量机的乘员类型识别 | 第52-54页 |
| 4.4.1 支持向量机分类器的设计 | 第52-53页 |
| 4.4.2 支持向量机参数的选择优化 | 第53-54页 |
| 4.5 基于机器视觉的乘员类型试验算法验证 | 第54-59页 |
| 4.5.1 基于改进Hu矩的特征值的乘员类型分类识别 | 第54-55页 |
| 4.5.2 基于Zernike矩的特征值的乘员类型分类识别 | 第55-56页 |
| 4.5.3 基于Hu-Zernike矩的特征值的乘员类型分类识别 | 第56-57页 |
| 4.5.4 基于DE算法选择的特征值的乘员类型分类识别 | 第57-59页 |
| 4.5.5 四种不同特征值乘员类型分类识别结果分析 | 第59页 |
| 4.6 本章小结 | 第59-60页 |
| 第5章 总结与展望 | 第60-62页 |
| 5.1 本文的主要研究内容和结论 | 第60页 |
| 5.2 不足和展望 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 作者简介及科研成果 | 第66-68页 |
| 致谢 | 第68页 |
