基于视觉显著性的车辆目标检测算法研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第一章 绪论 | 第8-14页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-11页 |
| 1.2.1 视觉显著性研究现状 | 第9-10页 |
| 1.2.2 车辆检测研究现状 | 第10-11页 |
| 1.3 论文的研究内容 | 第11-12页 |
| 1.3.1 目标检测技术难点 | 第11页 |
| 1.3.2 主要工作 | 第11-12页 |
| 1.4 本文的组织结构 | 第12-14页 |
| 第二章 视觉显著性基础理论 | 第14-28页 |
| 2.1 视觉注意机制 | 第14-15页 |
| 2.2 多尺度空间 | 第15-16页 |
| 2.2.1 尺度空间思想 | 第15页 |
| 2.2.2 图像金字塔 | 第15-16页 |
| 2.3 显著性分析理论 | 第16-17页 |
| 2.4 典型显著性检测方法 | 第17-26页 |
| 2.4.1 Itti算法 | 第17-20页 |
| 2.4.2 CA算法 | 第20-23页 |
| 2.4.3 SR算法 | 第23-24页 |
| 2.4.4 显著性检测模型分析 | 第24-26页 |
| 2.5 本章小结 | 第26-28页 |
| 第三章 基于特征显著性的车辆检测算法 | 第28-42页 |
| 3.1 特征显著性地图 | 第29-31页 |
| 3.2 多尺度融合 | 第31-34页 |
| 3.2.1 图像空间金字塔 | 第31-32页 |
| 3.2.2 特征响应图实现 | 第32-34页 |
| 3.3 区域检测 | 第34-38页 |
| 3.3.1 积分图 | 第34-35页 |
| 3.3.2 图像二值化搜索方法 | 第35-36页 |
| 3.3.3 极值搜索方法 | 第36-37页 |
| 3.3.4 目标框聚合 | 第37-38页 |
| 3.4 实验结果与分析 | 第38-41页 |
| 3.4.1 实验环境与测试数据 | 第38-39页 |
| 3.4.2 实验结果 | 第39-40页 |
| 3.4.3 实验分析 | 第40-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第四章 基于SVM的车辆识别算法 | 第42-64页 |
| 4.1 SVM分类器概述 | 第42-45页 |
| 4.1.1 分类器综述 | 第42-43页 |
| 4.1.2 SVM原理 | 第43-45页 |
| 4.2 基于SVM分类器的车辆识别算法设计 | 第45-46页 |
| 4.2.1 特征选择 | 第45-46页 |
| 4.2.2 车辆识别算法流程 | 第46页 |
| 4.3 图像显著对象提取 | 第46-47页 |
| 4.3.1 显著对象提取 | 第46-47页 |
| 4.3.2 图像归一化 | 第47页 |
| 4.4 视觉词典特征 | 第47-57页 |
| 4.4.1 特征提取流程 | 第47-49页 |
| 4.4.2 数据预处理 | 第49页 |
| 4.4.3 SIFT特征 | 第49-52页 |
| 4.4.4 K均值算法 | 第52-54页 |
| 4.4.5 视觉词典 | 第54-56页 |
| 4.4.6 特征提取 | 第56-57页 |
| 4.5 分类器设计 | 第57-59页 |
| 4.5.1 样本数据 | 第57-58页 |
| 4.5.2 分类器训练 | 第58-59页 |
| 4.6 实验结果与分析 | 第59-62页 |
| 4.6.1 实验结果 | 第59-61页 |
| 4.6.2 实验分析 | 第61-62页 |
| 4.7 本章小结 | 第62-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 5.1 总结 | 第64-65页 |
| 5.2 展望 | 第65-66页 |
| 致谢 | 第66-68页 |
| 参考文献 | 第68-74页 |
| 作者在攻读硕士学位期间发表的论文和成果 | 第74页 |
