| 论文创新点及主要贡献 | 第1-8页 |
| 摘要 | 第8-10页 |
| ABSTRACT | 第10-15页 |
| 引言 | 第15-16页 |
| 第1章 绪论 | 第16-35页 |
| ·研究背景与意义 | 第16-21页 |
| ·人工神经网络 | 第17-19页 |
| ·智能交通系统 | 第19-21页 |
| ·国内外研究现状 | 第21-30页 |
| ·人工神经网络研究现状 | 第21-25页 |
| ·脉冲耦合神经神经网络研究现状 | 第25-27页 |
| ·智能交通系统研究现状 | 第27-30页 |
| ·本文研究的难点总结 | 第30-31页 |
| ·本文的主要研究内容 | 第31-32页 |
| ·本文的结构安排 | 第32-34页 |
| ·小结 | 第34-35页 |
| 第2章 脉冲耦合神经网络理论模型研究 | 第35-42页 |
| ·引言 | 第35页 |
| ·脉冲耦合神经网络基本模型 | 第35-38页 |
| ·脉冲耦合神经网络简化模型 | 第38-41页 |
| ·小结 | 第41-42页 |
| 第3章 PCNN局部迭代平均熵特征的静态车辆目标快速检测方法 | 第42-55页 |
| ·引言 | 第42页 |
| ·Unit-Linking PCNN脉冲迭代熵信息静态目标定位方法 | 第42-47页 |
| ·Unit-Linking PCNN模型脉冲迭代熵特征提取 | 第43-45页 |
| ·局部熵特征小目标粗定位方法 | 第45-46页 |
| ·静态车辆目标定位算法 | 第46-47页 |
| ·UL-PCNN脉冲迭代平均熵特征的车辆目标检测实验 | 第47-54页 |
| ·简单车辆目标检测 | 第48-49页 |
| ·多目标车辆检测 | 第49-50页 |
| ·多分辨率车辆目标检测 | 第50-53页 |
| ·实验对比与结果分析 | 第53-54页 |
| ·小结 | 第54-55页 |
| 第4章 UL-PCNN边缘不变线矩的车型分类方法 | 第55-75页 |
| ·引言 | 第55页 |
| ·车型分类方法概述 | 第55-56页 |
| ·UL-PCNN车型分类方法 | 第56-65页 |
| ·二值形态学图像处理方法 | 第56-60页 |
| ·UL-PCNN边缘提取 | 第60-63页 |
| ·边缘直线段不变线矩计算 | 第63-65页 |
| ·UL-PCNN边缘不变线矩的车型分类 | 第65-74页 |
| ·支持向量机分类方法 | 第65-68页 |
| ·车型分类实验 | 第68-72页 |
| ·实验对比与结果分析 | 第72-74页 |
| ·小结 | 第74-75页 |
| 第5章 多通道加权PCNN特征融合的车辆图片检索方法 | 第75-95页 |
| ·引言 | 第75页 |
| ·基于内容的图像检索 | 第75-76页 |
| ·车辆图片数据库建立 | 第76-79页 |
| ·HOG特征提取 | 第76-78页 |
| ·SVM二分类 | 第78-79页 |
| ·多特征融合的PCNN车辆图片检索算法框架 | 第79-80页 |
| ·车辆特征提取 | 第80-88页 |
| ·车辆图片预处理 | 第80页 |
| ·车辆颜色直方图特征提取 | 第80-83页 |
| ·加权HSI-PCNN模型车辆特征提取 | 第83-88页 |
| ·多特征融合的PCNN车辆检索 | 第88-93页 |
| ·车辆图检索评价准则 | 第88-90页 |
| ·多特征融合PCNN方法的车辆检索实验 | 第90-92页 |
| ·实验结果分析 | 第92-93页 |
| ·小结 | 第93-95页 |
| 第6章 局部PCNN加权级联模型的交通标志识别方法 | 第95-107页 |
| ·引言 | 第95页 |
| ·多通道PCNN模型的智能交通标志识别方法 | 第95-97页 |
| ·局部PCNN加权级联模型的交通标志识别方法 | 第97-105页 |
| ·局部PCNN加权级联模型 | 第98-100页 |
| ·局部PCNN特征交通标志识别实验 | 第100-104页 |
| ·实验结果分析 | 第104-105页 |
| ·小结 | 第105-107页 |
| 第7章 总结和展望 | 第107-111页 |
| ·本文工作总结 | 第107-109页 |
| ·工作展望 | 第109-111页 |
| 参考文献 | 第111-121页 |
| 攻读博士学位期间的科研成果 | 第121-123页 |
| 致谢 | 第123页 |
