| 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 |