| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 研究目的与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.3 研究的主要内容 | 第15-16页 |
| 1.4 本文结构安排 | 第16-17页 |
| 第二章 目标信息检测 | 第17-31页 |
| 2.1 车辆图像预处理 | 第17-18页 |
| 2.1.1 图像灰度化处理 | 第17-18页 |
| 2.1.2 对比度增强 | 第18页 |
| 2.2 车道背景获取 | 第18-23页 |
| 2.2.1 中值法获取背景 | 第19页 |
| 2.2.2 单高斯分布背景模型 | 第19-20页 |
| 2.2.3 混合高斯分布背景模型 | 第20-22页 |
| 2.2.4 平均值法获取背景 | 第22-23页 |
| 2.3 车道背景更新 | 第23-26页 |
| 2.3.1 基于简化 Kalman 滤波的背景更新 | 第23-24页 |
| 2.3.2 基于高斯分布的背景更新 | 第24-25页 |
| 2.3.3 基于动态多帧图像的背景更新 | 第25-26页 |
| 2.4 车辆目标检测 | 第26-30页 |
| 2.4.1 光流法 | 第26-27页 |
| 2.4.2 帧差法 | 第27-28页 |
| 2.4.3 背景差分法 | 第28-30页 |
| 2.5 本章小结 | 第30-31页 |
| 第三章 车辆边缘梯度特征检测 | 第31-40页 |
| 3.1 边缘检测算法概述 | 第31-33页 |
| 3.1.1 Sobel 检测算子 | 第32页 |
| 3.1.2 Prewitt 检测算子 | 第32-33页 |
| 3.1.3 Canny 检测算子 | 第33页 |
| 3.2 边缘梯度检测 | 第33-38页 |
| 3.2.1 伽马和色彩空间的规范化 | 第33-34页 |
| 3.2.2 边缘梯度计算 | 第34-35页 |
| 3.2.3 图像单元的梯度统计 | 第35-36页 |
| 3.2.4 重叠块的对比度归一化 | 第36-37页 |
| 3.2.5 特征空间内块的选择 | 第37-38页 |
| 3.3 车辆边缘梯度检测 | 第38-39页 |
| 3.4 本章小结 | 第39-40页 |
| 第四章 车辆纹理与车牌检测 | 第40-51页 |
| 4.1 形态学处理 | 第40-41页 |
| 4.1.1 腐蚀运算 | 第40页 |
| 4.1.2 膨胀运算 | 第40-41页 |
| 4.2 车辆纹理频谱特征提取 | 第41-45页 |
| 4.3 车牌区域颜色检测 | 第45-50页 |
| 4.3.1 HSI 颜色空间 | 第45-47页 |
| 4.3.2 车牌颜色检测 | 第47-50页 |
| 4.4 本章小结 | 第50-51页 |
| 第五章 基于支持向量机的公交车识别 | 第51-65页 |
| 5.1 模式识别基础 | 第51-52页 |
| 5.1.1 模式识别定义 | 第51页 |
| 5.1.2 模式识别系统 | 第51-52页 |
| 5.2 统计学习理论 | 第52-55页 |
| 5.2.1 经验风险最小化 | 第52-53页 |
| 5.2.2 VC 维 | 第53页 |
| 5.2.3 推广性的界 | 第53-54页 |
| 5.2.4 结构风险最小化 | 第54-55页 |
| 5.3 支持向量机理论 | 第55-60页 |
| 5.3.1 线性支持向量机 | 第55-58页 |
| 5.3.2 非线性支持向量机 | 第58-60页 |
| 5.4 支持向量机公交车识别 | 第60-64页 |
| 5.5 本章小结 | 第64-65页 |
| 第六章 总结与展望 | 第65-67页 |
| 6.1 总结 | 第65页 |
| 6.2 展望 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 攻读学位期间发表的论文 | 第71-72页 |
| 致谢 | 第72页 |