| 摘要 | 第3-4页 |
| Abstract | 第4-5页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 课题研究的背景及意义 | 第8页 |
| 1.2 国内外研究现状 | 第8-12页 |
| 1.2.1 图像中车辆检测方法的研究现状 | 第8-10页 |
| 1.2.2 图像中车型识别方法的研究现状 | 第10-12页 |
| 1.3 本文的主要研究工作 | 第12-13页 |
| 1.4 论文结构安排 | 第13-15页 |
| 第二章 常用的特征描述和分类算法 | 第15-26页 |
| 2.1 常用的特征描述方法 | 第15-20页 |
| 2.1.1 Haar-like特征 | 第15-16页 |
| 2.1.2 HOG特征 | 第16-18页 |
| 2.1.3 LBP特征 | 第18页 |
| 2.1.4 SURF特征 | 第18-20页 |
| 2.2 常用的分类算法 | 第20-23页 |
| 2.2.1 SVM分类算法 | 第20-22页 |
| 2.2.2 Adaboost分类算法 | 第22-23页 |
| 2.3 数据集和性能评价指标 | 第23-25页 |
| 2.3.1 数据集 | 第23-24页 |
| 2.3.2 评价指标 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于改进可变形部件模型的车辆检测算法 | 第26-36页 |
| 3.1 引言 | 第26页 |
| 3.2 可变形部件模型的基本原理 | 第26页 |
| 3.3 可变形部件模型的改进 | 第26-29页 |
| 3.3.1 基于WPCA的HOG特征降维 | 第27-28页 |
| 3.3.2 目标得分计算及其加速 | 第28-29页 |
| 3.4 算法实现步骤 | 第29-30页 |
| 3.5 仿真实验结果与分析 | 第30-35页 |
| 3.6 本章小结 | 第35-36页 |
| 第四章 基于多尺度特征和嵌套级联Adaboost的车辆检测算法 | 第36-47页 |
| 4.1 引言 | 第36页 |
| 4.2 多尺度特征提取及其加速 | 第36-39页 |
| 4.2.1 多尺度HOG特征提取及其加速 | 第36-37页 |
| 4.2.2 多尺度MB-LBP特征提取及其加速 | 第37-39页 |
| 4.3 嵌套级联Gentle Adaboost分类器 | 第39-41页 |
| 4.3.1 Gentle Adaboost分类器 | 第39-40页 |
| 4.3.2 嵌套级联Gentle Adaboost分类器 | 第40-41页 |
| 4.4 算法实现步骤 | 第41-42页 |
| 4.5 仿真实验结果与分析 | 第42-46页 |
| 4.5.1 仿真结果与分析 | 第42-45页 |
| 4.5.2 本文两种车辆检测算法的对比 | 第45-46页 |
| 4.6 本章小结 | 第46-47页 |
| 第五章 基于改进Dense-SURF和FC-VQ编码的车型识别算法 | 第47-56页 |
| 5.1 引言 | 第47页 |
| 5.2 Dense-SURF的原理及改进 | 第47-48页 |
| 5.3 FC-VQ编码算法 | 第48-49页 |
| 5.3.1 矢量量化编码 | 第48页 |
| 5.3.2 FC-VQ编码算法 | 第48-49页 |
| 5.4 基于快速直方图相交核的SVM分类器 | 第49-50页 |
| 5.5 算法实现步骤 | 第50-51页 |
| 5.6 仿真实验结果与分析 | 第51-55页 |
| 5.7 本章小结 | 第55-56页 |
| 主要结论与展望 | 第56-58页 |
| 主要结论 | 第56页 |
| 展望 | 第56-58页 |
| 致谢 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 附录：作者在攻读硕士学位期间发表的论文 | 第63页 |
