智能交通中的车型识别研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 第一章 绪论 | 第10-14页 |
| ·课题研究背景和意义 | 第10-11页 |
| ·国内外的研究现状 | 第11-13页 |
| ·本文的主要工作与内容安排 | 第13-14页 |
| 第二章 视频图像中的运动车辆检测 | 第14-36页 |
| ·运动目标检测常见方法 | 第14-17页 |
| ·光流法 | 第14-15页 |
| ·帧间差分法 | 第15-16页 |
| ·背景差分法 | 第16-17页 |
| ·背景模型的构建及更新 | 第17-25页 |
| ·平均法 | 第17-18页 |
| ·中值法 | 第18-19页 |
| ·统计法 | 第19-21页 |
| ·Surendra 背景提取和更新算法 | 第21-22页 |
| ·混合高斯模型法 | 第22-25页 |
| ·本文所采用的方法 | 第25-35页 |
| ·背景构建 | 第26-28页 |
| ·自适应背景更新算法 | 第28页 |
| ·车辆目标提取 | 第28-32页 |
| ·阴影去除 | 第32-35页 |
| ·本章小结 | 第35-36页 |
| 第三章 SIFT 特征提取 | 第36-49页 |
| ·常用图像特征 | 第36-41页 |
| ·几何形状特征 | 第36-38页 |
| ·矩特征 | 第38-39页 |
| ·变换特征 | 第39-40页 |
| ·局部特征 | 第40-41页 |
| ·SIFT 特征提取 | 第41-46页 |
| ·尺度空间极值检测 | 第41-43页 |
| ·关键点定位 | 第43-44页 |
| ·为关键点分配方向 | 第44-45页 |
| ·特征描述符生成 | 第45-46页 |
| ·车辆图像特征向量获取 | 第46-48页 |
| ·本章小结 | 第48-49页 |
| 第四章 基于词袋模型和支持向量机的车型识别 | 第49-68页 |
| ·词袋模型 | 第49-50页 |
| ·支持向量机理论知识 | 第50-57页 |
| ·最优分类面 | 第51-53页 |
| ·广义最优分类面 | 第53-54页 |
| ·支持向量机 | 第54-55页 |
| ·SVM 多类分类方法 | 第55-56页 |
| ·LIBSVM 简介 | 第56-57页 |
| ·基于词袋模型和支持向量机的车型识别系统 | 第57-59页 |
| ·系统设计 | 第59-60页 |
| ·实验结果与分析 | 第60-65页 |
| ·车型识别系统结构及仿真平台搭建 | 第65-67页 |
| ·本章小结 | 第67-68页 |
| 第五章 总结和展望 | 第68-69页 |
| 致谢 | 第69-70页 |
| 参考文献 | 第70-74页 |
| 攻硕期间取得的研究成果 | 第74-75页 |
