| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-11页 |
| 1.2.1 视觉显著性研究现状 | 第10页 |
| 1.2.2 目标检测研究现状 | 第10-11页 |
| 1.2.3 航拍车辆检测研究现状 | 第11页 |
| 1.3 论文研究内容及意义 | 第11-12页 |
| 1.3.1 研究内容 | 第11-12页 |
| 1.3.2 技术难点 | 第12页 |
| 1.4 论文组织结构 | 第12-15页 |
| 第二章 相关理论基础 | 第15-31页 |
| 2.1 常见的航拍车辆检测方法 | 第15-18页 |
| 2.1.1 帧间差分法 | 第15-16页 |
| 2.1.2 背景差分法 | 第16-17页 |
| 2.1.3 光流法 | 第17-18页 |
| 2.2 视觉显著性理论 | 第18-19页 |
| 2.2.1 视觉关注机制 | 第18页 |
| 2.2.2 视觉注意模型 | 第18-19页 |
| 2.3 典型显著性检测算法 | 第19-27页 |
| 2.3.1 Itti模型 | 第19-22页 |
| 2.3.2 SR算法 | 第22-25页 |
| 2.3.3 GBVS模型 | 第25-26页 |
| 2.3.4 AIM模型 | 第26-27页 |
| 2.4 显著性算法对比与分析 | 第27-29页 |
| 2.5 本章小结 | 第29-31页 |
| 第三章 基于视觉显著性的航拍车辆检测 | 第31-47页 |
| 3.1 特征滤波 | 第32-35页 |
| 3.1.1 特征边条 | 第32-33页 |
| 3.1.2 全局加强法 | 第33-35页 |
| 3.2 显著性分析 | 第35-36页 |
| 3.3 多尺度融合 | 第36-38页 |
| 3.3.1 图像金字塔 | 第36-37页 |
| 3.3.2 不同融合方法 | 第37-38页 |
| 3.4 显著图增强 | 第38-40页 |
| 3.4.1 时域积分 | 第38-39页 |
| 3.4.2 空域积分 | 第39-40页 |
| 3.4.3 积分图 | 第40页 |
| 3.5 区域检测 | 第40-43页 |
| 3.5.1 阈值化 | 第40-41页 |
| 3.5.2 K均值算法 | 第41-43页 |
| 3.6 实验结果与分析 | 第43-45页 |
| 3.6.1 实验环境及数据集 | 第43页 |
| 3.6.2 实验结果 | 第43-44页 |
| 3.6.3 结果分析 | 第44-45页 |
| 3.7 本章小结 | 第45-47页 |
| 第四章 基于HOG特征和Adaboost分类器的车辆检测算法 | 第47-63页 |
| 4.1 基于统计学习的车辆检测算法概述 | 第47-49页 |
| 4.1.1 基于统计学习的车辆检测算法 | 第47页 |
| 4.1.2 车辆检测特征综述 | 第47-48页 |
| 4.1.3 车辆检测分类器综述 | 第48-49页 |
| 4.2 车辆检测算法总体设计 | 第49-52页 |
| 4.2.1 分类器选择 | 第49-50页 |
| 4.2.2 特征选择 | 第50-51页 |
| 4.2.3 车辆算法流程 | 第51-52页 |
| 4.3 HOG特征提取 | 第52-55页 |
| 4.3.1 HOG特征提取 | 第52-53页 |
| 4.3.2 HOG特征提取优化 | 第53-55页 |
| 4.4 分类器训练 | 第55-58页 |
| 4.4.1 选择训练样本 | 第55-56页 |
| 4.4.2 训练过程 | 第56-58页 |
| 4.5 实验结果与分析 | 第58-60页 |
| 4.5.1 实验结果 | 第58-60页 |
| 4.5.2 结果分析 | 第60页 |
| 4.6 本章小结 | 第60-63页 |
| 第五章 总结与展望 | 第63-65页 |
| 5.1 总结 | 第63-64页 |
| 5.2 展望 | 第64-65页 |
| 致谢 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 作者在攻读硕士学位期间发表的论文和成果 | 第73页 |