| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-13页 |
| 1.1 车辆检测研究的背景及意义 | 第8页 |
| 1.2 车辆检测方法研究现状 | 第8-11页 |
| 1.2.1 国外研究现状 | 第9-10页 |
| 1.2.2 国内研究现状 | 第10-11页 |
| 1.3 本文的主要工作与内容安排 | 第11-13页 |
| 第二章 车辆图像预处理及特征描述 | 第13-24页 |
| 2.1 低能见度图像传统增强方法 | 第13-18页 |
| 2.1.1 暗原色先验理论 | 第14-15页 |
| 2.1.2 低能见度图像自适应增强算法 | 第15-17页 |
| 2.1.3 实验结果与分析 | 第17-18页 |
| 2.2 基于HOG车辆特征描述 | 第18-23页 |
| 2.3 本章小结 | 第23-24页 |
| 第三章 基于KPCA车辆目标特征降维表示 | 第24-38页 |
| 3.1 PCA方法 | 第24-30页 |
| 3.1.1 PCA基本原理 | 第24-28页 |
| 3.1.2 基于PCA的车辆特征提取 | 第28-30页 |
| 3.2 KPCA方法 | 第30-34页 |
| 3.2.1 KPCA基本原理 | 第31-33页 |
| 3.2.2 基于KPCA的车辆目标特征降维表示 | 第33-34页 |
| 3.3 PCA与KPCA的特征提取实验结果 | 第34-37页 |
| 3.3.1 PCA和KPCA特征线性可分实验 | 第34-36页 |
| 3.3.2 参数对KPCA的影响 | 第36页 |
| 3.3.3 PCA和KPCA的特征提取实验 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 第四章 基于KPCA的车辆目标分类器算法设计 | 第38-50页 |
| 4.1 传统支持向量机车辆目标识别算法 | 第38页 |
| 4.2 基于GP的分类方法 | 第38-46页 |
| 4.2.1 高斯分布 | 第39-40页 |
| 4.2.2 高斯过程 | 第40-41页 |
| 4.2.3 高斯过程二值分类 | 第41-46页 |
| 4.3 实验结果及分析 | 第46-49页 |
| 4.3.1 特征信息贡献率对高斯过程分类器性能的影响 | 第47-48页 |
| 4.3.2 GP、支持向量机分类、最小距离分类器性能比较 | 第48-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第五章 总结及展望 | 第50-51页 |
| 参考文献 | 第51-54页 |
| 致谢 | 第54页 |