首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于多特征级联分类器的道路车辆检测方法研究

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

论文共73页,点击 下载论文
上一篇:全信息比对法在指纹识别处理中的应用
下一篇:基于统计特征的数字视频被动取证技术研究