| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 研究背景和意义 | 第10-11页 |
| 1.2 国外研究现状 | 第11-13页 |
| 1.3 国内研究现状 | 第13-14页 |
| 1.4 论文主要内容 | 第14-16页 |
| 第2章 前方车辆检测与跟踪技术综述 | 第16-21页 |
| 2.1 引言 | 第16页 |
| 2.2 前方车辆检测技术综述 | 第16-17页 |
| 2.2.1 基于已知知识的方法 | 第16-17页 |
| 2.2.2 基于模板轮廓匹配的方法 | 第17页 |
| 2.2.3 基于机器学习的方法 | 第17页 |
| 2.3 前方车辆跟踪技术综述 | 第17-19页 |
| 2.3.1 车辆跟踪算法分类 | 第18页 |
| 2.3.2 机器学习中较常用的车辆跟踪方法 | 第18-19页 |
| 2.4 本章小结 | 第19-21页 |
| 第3章 基于机器学习的前方车辆检测算法研究 | 第21-40页 |
| 3.1 引言 | 第21页 |
| 3.2 正负样本选取 | 第21-22页 |
| 3.2.1 车辆样本选取 | 第21-22页 |
| 3.2.2 非车辆样本选取 | 第22页 |
| 3.3 车辆样本特征描述 | 第22-29页 |
| 3.3.1 LBP特征描述 | 第22-23页 |
| 3.3.2 Haar特征描述 | 第23-26页 |
| 3.3.3 HOG特征描述 | 第26-29页 |
| 3.4 AdaBoost分类器训练 | 第29-34页 |
| 3.4.1 AdaBoost算法介绍 | 第29-31页 |
| 3.4.2 本文采用的AdaBoost算法级联分类器 | 第31-33页 |
| 3.4.3 比较不同特征训练AdaBoost级联分类器 | 第33-34页 |
| 3.5 前方车辆检测算法实现流程 | 第34-37页 |
| 3.5.1 对图像序列进行预处理 | 第35-36页 |
| 3.5.2 车辆假设生成 | 第36页 |
| 3.5.3 车辆假设验证 | 第36-37页 |
| 3.6 实验结果与分析 | 第37-39页 |
| 3.7 本章小结 | 第39-40页 |
| 第4章 基于改进的KCF算法的前方车辆跟踪算法研究 | 第40-55页 |
| 4.1 引言 | 第40页 |
| 4.2 常用的基于检测学习的目标跟踪算法 | 第40-42页 |
| 4.2.1 TLD算法 | 第41页 |
| 4.2.2 Struck算法 | 第41页 |
| 4.2.3 MIL算法 | 第41-42页 |
| 4.3 KCF算法原理及其存在的问题 | 第42-46页 |
| 4.3.1 KCF算法原理 | 第42-45页 |
| 4.3.2 KCF算法存在的问题 | 第45-46页 |
| 4.4 改进的KCF算法 | 第46-49页 |
| 4.4.1 相关滤波器 | 第46-47页 |
| 4.4.2 位置滤波器 | 第47-48页 |
| 4.4.3 尺度滤波器 | 第48页 |
| 4.4.4 相关软件实现过程 | 第48-49页 |
| 4.5 实验结果与分析 | 第49-54页 |
| 4.5.1 前方车辆跟踪算法的评估方法 | 第49-50页 |
| 4.5.2 实验结果与分析 | 第50-54页 |
| 4.6 本章小结 | 第54-55页 |
| 第5章 总结与展望 | 第55-57页 |
| 5.1 研究总结 | 第55页 |
| 5.2 论文中的不足和展望 | 第55-57页 |
| 致谢 | 第57-58页 |
| 参考文献 | 第58-64页 |
| 附录 | 第64页 |
