| 摘要 | 第1-5页 |
| ABSTRACT | 第5-7页 |
| 目录 | 第7-9页 |
| 1. 绪论 | 第9-16页 |
| ·研究背景及意义 | 第9-11页 |
| ·国内外研究动态 | 第11-14页 |
| ·研究现状 | 第11-13页 |
| ·国内外研究情况 | 第13-14页 |
| ·本文主要研究内容 | 第14-16页 |
| ·研究内容 | 第14-15页 |
| ·论文组织 | 第15-16页 |
| 2. 相关技术综述 | 第16-35页 |
| ·机器学习在图像处理的应用 | 第16-18页 |
| ·VIOLA检测方法 | 第18-30页 |
| ·其它参考文献综述 | 第30-34页 |
| ·基于形体匹配的车辆检测 | 第31-32页 |
| ·基于最邻近匹配的车辆检测 | 第32-34页 |
| ·小结 | 第34-35页 |
| 3. 自适应推进(Adaboost)算法 | 第35-47页 |
| ·Boosting算法背景 | 第35-37页 |
| ·Adaboost算法的发展 | 第37-41页 |
| ·原始Adaboost算法 | 第37-38页 |
| ·Adaboost.M1和AdaBoost.M2算法 | 第38-40页 |
| ·AdaBoost.MH算法 | 第40-41页 |
| ·Gentle AdaBoost算法 | 第41页 |
| ·近几年AdaBoost算法的改进 | 第41页 |
| ·Adaboost算法理论分析 | 第41-46页 |
| ·训练误差 | 第42-44页 |
| ·泛化误差 | 第44-46页 |
| ·小结 | 第46-47页 |
| 4. 多视角机动车图像的预处理 | 第47-56页 |
| ·灰度处理 | 第47页 |
| ·去噪处理 | 第47-51页 |
| ·均值滤波 | 第48-50页 |
| ·中值滤波 | 第50-51页 |
| ·低通滤波 | 第51页 |
| ·亮度调整 | 第51-54页 |
| ·实验结果 | 第53-54页 |
| ·图像规格化处理 | 第54-55页 |
| ·小结 | 第55-56页 |
| 5. 基于自适应推进算法的多视角机动车检测技术 | 第56-75页 |
| ·Haar-Like特征 | 第56-60页 |
| ·Haar-Like特征概述 | 第56-58页 |
| ·Haar-Like特征的特征总数 | 第58-60页 |
| ·创建训练样本 | 第60-63页 |
| ·正样本集的创建 | 第60-62页 |
| ·负样本集的创建 | 第62-63页 |
| ·弱分类器 | 第63页 |
| ·利用AdaBoost算法生成强分类器 | 第63-66页 |
| ·级联(cascade)分类器 | 第66-67页 |
| ·视角预估计 | 第67-68页 |
| ·检测及实验结果 | 第68-74页 |
| ·系统框架 | 第68-69页 |
| ·训练过程 | 第69-73页 |
| ·训练各视角的车辆检测器 | 第69-72页 |
| ·增加训练样本机制 | 第72-73页 |
| ·实验结果 | 第73-74页 |
| ·小结 | 第74-75页 |
| 6. 总结与展望 | 第75-77页 |
| ·对本文的总结 | 第75-76页 |
| ·展望 | 第76-77页 |
| 参考文献 | 第77-82页 |
| 攻读学位期间取得的研究成果 | 第82-83页 |
| 致谢 | 第83-84页 |