| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第10-16页 |
| 1.1 研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.3 本文主要内容和安排 | 第14-16页 |
| 1.3.1 主要研究内容 | 第14-15页 |
| 1.3.2 论文各章安排 | 第15-16页 |
| 2 基于图论的车辆候选区域确定 | 第16-30页 |
| 2.1 图论的基础 | 第17-19页 |
| 2.1.1 图的定义 | 第17页 |
| 2.1.2 无向图、有向图和混合图 | 第17-18页 |
| 2.1.3 边和结点 | 第18页 |
| 2.1.4 图与网络 | 第18-19页 |
| 2.2 基于图论的超像素分割与融合 | 第19-20页 |
| 2.3 灵活边界框生成算法 | 第20-23页 |
| 2.3.1 边界框起始位置的确定 | 第21-22页 |
| 2.3.2 候选边界框位置确定 | 第22-23页 |
| 2.4 车辆候选边界框的选择 | 第23-27页 |
| 2.4.1 溢出率和漏缺率 | 第24-25页 |
| 2.4.2 边界框的相似度 | 第25页 |
| 2.4.3 车辆可能存在分数(Vehicle Proposal Score,VPS) | 第25-26页 |
| 2.4.4 非极大值抑制的候选框筛选 | 第26-27页 |
| 2.5 实验结果与分析 | 第27-29页 |
| 2.6 本章小结 | 第29-30页 |
| 3 基于多特征金字塔模型的车辆检测 | 第30-46页 |
| 3.1 图像视觉特征 | 第30-34页 |
| 3.1.1 颜色特征 | 第30-33页 |
| 3.1.2 梯度特征 | 第33-34页 |
| 3.2 金字塔模型的建立 | 第34-36页 |
| 3.3 分类器的选择 | 第36-44页 |
| 3.3.1 SVM分类器 | 第37-39页 |
| 3.3.2 AdaBoost分类器 | 第39-41页 |
| 3.3.3 多视角分类器的训练 | 第41-43页 |
| 3.3.4 小轿车分类器的训练 | 第43页 |
| 3.3.5 典型车分类器的训练 | 第43-44页 |
| 3.4 本章小结 | 第44-46页 |
| 4 实验结论 | 第46-62页 |
| 4.1 实验数据库及评价标准 | 第46-52页 |
| 4.1.1 实验数据库的介绍 | 第46-50页 |
| 4.1.2 评价指标 | 第50页 |
| 4.1.3 实验参数设置 | 第50-52页 |
| 4.2 中国交通图像数据库的建立 | 第52-56页 |
| 4.2.1 建立拍摄采集环境 | 第53页 |
| 4.2.2 视频数据采集 | 第53-54页 |
| 4.2.3 目标标定 | 第54-56页 |
| 4.2.4 小结 | 第56页 |
| 4.3 车辆检测实验 | 第56-61页 |
| 4.3.1 与其他车辆检测方法比较 | 第58-60页 |
| 4.3.2 结果分析与讨论 | 第60-61页 |
| 4.4 本章小结 | 第61-62页 |
| 5 总结与展望 | 第62-64页 |
| 5.1 工作总结 | 第62-63页 |
| 5.2 展望 | 第63-64页 |
| 参考文献 | 第64-68页 |
| 作者简历 | 第68-70页 |
| 学位论文数据集 | 第70页 |