| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-17页 |
| 1.1 课题研究背景及意义 | 第10-11页 |
| 1.2 车标识别技术的应用 | 第11-12页 |
| 1.3 车标识别技术研究状况 | 第12-16页 |
| 1.3.1 车标定位技术研究状况 | 第13-14页 |
| 1.3.2 车标识别技术研究状况 | 第14-16页 |
| 1.4 论文结构安排 | 第16-17页 |
| 第2章 车标数据库建立与图像预处理 | 第17-27页 |
| 2.1 建立车标数据库 | 第17-20页 |
| 2.2 RGB颜色空间理论 | 第20-22页 |
| 2.2.1 RGB颜色空间模型 | 第20-21页 |
| 2.2.2 灰度图像 | 第21-22页 |
| 2.3 图像预处理 | 第22-26页 |
| 2.3.1 图像灰度化 | 第22-24页 |
| 2.3.2 图像归一化 | 第24-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第3章 车标的特征提取 | 第27-36页 |
| 3.1 PCA方法 | 第27-31页 |
| 3.1.1 PCA原理 | 第27-29页 |
| 3.1.2 基于PCA的车标特征提取 | 第29-31页 |
| 3.2 KPCA方法 | 第31-34页 |
| 3.2.1 核函数原理 | 第31-33页 |
| 3.2.2 基于KPCA的车标特征提取 | 第33-34页 |
| 3.3 PCA与KPCA的特征提取实验结果 | 第34-35页 |
| 3.4 本章小结 | 第35-36页 |
| 第4章 基于KPCA的车标识别 | 第36-50页 |
| 4.1 车标识别方法 | 第36-42页 |
| 4.1.1 最小距离分类器 | 第36-38页 |
| 4.1.2 支持向量机 | 第38-42页 |
| 4.2 多类分类决策理论分析 | 第42-44页 |
| 4.2.1 一对多决策方法 | 第42-43页 |
| 4.2.2 一对一决策方法 | 第43-44页 |
| 4.3 实验结果及对比分析 | 第44-49页 |
| 4.3.1 PCA与KPCA结合MDC的实验结果 | 第44-46页 |
| 4.3.2 PCA与KPCA结合SVM的实验结果 | 第46-47页 |
| 4.3.3 PCA与KPCA的实验结果对比分析 | 第47-49页 |
| 4.4 本章小结 | 第49-50页 |
| 第5章 基于GPC的车标识别 | 第50-69页 |
| 5.1 高斯过程机器学习方法 | 第50-53页 |
| 5.1.1 高斯分布 | 第51-53页 |
| 5.1.2 高斯过程 | 第53页 |
| 5.2 高斯过程回归 | 第53-57页 |
| 5.2.1 高斯过程回归方法 | 第54-55页 |
| 5.2.2 协方差函数的确定 | 第55-57页 |
| 5.3 高斯过程分类 | 第57-62页 |
| 5.3.1 概率高斯过程分类法 | 第57-60页 |
| 5.3.2 最小风险高斯过程分类法 | 第60-62页 |
| 5.4 实验结果及对比分析 | 第62-68页 |
| 5.4.1 实验步骤 | 第62-63页 |
| 5.4.2 P-GPC和LR-GPC实验结果与分析 | 第63-67页 |
| 5.4.3 GPC与MDC、SVM的对比分析 | 第67-68页 |
| 5.5 本章小结 | 第68-69页 |
| 结论 | 第69-71页 |
| 参考文献 | 第71-76页 |
| 攻读学位期间发表论文与研究成果清单 | 第76-77页 |
| 致谢 | 第77页 |