摘要 | 第1-6页 |
Abstract | 第6-10页 |
插图索引 | 第10-11页 |
附表索引 | 第11-12页 |
第1章 绪论 | 第12-18页 |
·研究背景与意义 | 第12-13页 |
·国内外研究现状 | 第13-16页 |
·传感器类型 | 第13-15页 |
·基于视觉的智能车辆 | 第15-16页 |
·本文主要工作 | 第16-17页 |
·本文的结构 | 第17-18页 |
第2章 课题相关理论及技术路线 | 第18-30页 |
·系统框架和所面临的挑战 | 第18-19页 |
·道路车辆检测的系统框架 | 第18-19页 |
·道路车辆检测的挑战 | 第19页 |
·车辆检测方法 | 第19-25页 |
·两步检测 | 第19-23页 |
·假设产生 | 第20-22页 |
·假设验证 | 第22-23页 |
·多步检测 | 第23-25页 |
·道路车辆检测的技术路线 | 第25-29页 |
·本文的主要技术路线 | 第25-26页 |
·图像预处理 | 第26-28页 |
·图像灰度化 | 第26-27页 |
·高斯平滑 | 第27-28页 |
·检测结果后处理 | 第28-29页 |
·小结 | 第29-30页 |
第3章 Haar-like 特征和 HOG 特征 | 第30-40页 |
·Haar-like 特征 | 第30-34页 |
·Haar-like 特征的定义 | 第31-33页 |
·矩形的表示 | 第31页 |
·Haar-like 特征的计算 | 第31-32页 |
·子窗口中 Haar-like 特征数量的计算 | 第32-33页 |
·利用积分图像计算 Haar-like 特征 | 第33-34页 |
·HOG 特征 | 第34-38页 |
·HOG 特征的定义 | 第35-36页 |
·利用积分直方图计算 HOG 特征 | 第36-38页 |
·本文所使用的 Haar-like 特征和 HOG 特征 | 第38-39页 |
·Haar-like 特征 | 第38页 |
·HOG 特征 | 第38-39页 |
·小结 | 第39-40页 |
第4章 结合 SVM 的级联分类器设计 | 第40-53页 |
·Adaboost 算法 | 第40-43页 |
·Discrete Adaboost 算法 | 第41-42页 |
·Gentle Adaboost 算法 | 第42-43页 |
·两种特征的弱分类器设计 | 第43-45页 |
·两种特征的弱分类器形式 | 第43-44页 |
·弱分类器的学习 | 第44-45页 |
·级联分类器的设计 | 第45-52页 |
·传统的级联分类器设计 | 第45-48页 |
·结合 SVM 的级联分类器设计 | 第48-52页 |
·SVM 分类器 | 第48-50页 |
·结合 SVM 的级联分类器训练流程 | 第50-52页 |
·小结 | 第52-53页 |
第5章 实验 | 第53-64页 |
·实验平台 | 第53页 |
·分类器的训练 | 第53-59页 |
·训练前的预处理 | 第53-55页 |
·样本集的建立 | 第55-56页 |
·训练样本集 | 第55页 |
·测试样本集 | 第55-56页 |
·分类器的训练 | 第56-59页 |
·训练流程伪代码 | 第57页 |
·函数说明 | 第57-59页 |
·训练分类器 | 第59页 |
·分类器性能测试 | 第59-63页 |
·小结 | 第63-64页 |
结论 | 第64-66页 |
参考文献 | 第66-72页 |
致谢 | 第72-73页 |
附录 A 攻读学位期间所发表的学术论文 | 第73页 |