基于多图像特征金字塔的车辆检测
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文主要内容和安排 | 第13-15页 |
| 1.3.1 主要研究内容 | 第13-14页 |
| 1.3.2 论文各章安排 | 第14-15页 |
| 2 基于特征的车辆检测 | 第15-24页 |
| 2.1 Harris角点特征 | 第15-17页 |
| 2.1.1 Harris角点特征的实现过程 | 第15-16页 |
| 2.1.2 Harris角点特征分析 | 第16-17页 |
| 2.2 Haar-like特征 | 第17-19页 |
| 2.2.1 Haar-like特征的实现过程 | 第17-19页 |
| 2.2.2 Haar-like特征分析 | 第19页 |
| 2.3 尺度不变特征变换(SIFT)特征 | 第19-23页 |
| 2.3.1 SIFI特征的实现过程 | 第19-23页 |
| 2.3.2 SIFT特征分析 | 第23页 |
| 2.4 本章小结 | 第23-24页 |
| 3 建立多特征金字塔 | 第24-35页 |
| 3.1 图像区域划分 | 第24-25页 |
| 3.2 LUV色彩空间 | 第25-27页 |
| 3.3 梯度特征 | 第27-29页 |
| 3.3.1 梯度模值 | 第27-28页 |
| 3.3.2 方向梯度直方图 | 第28-29页 |
| 3.4 局部关联特征 | 第29-32页 |
| 3.4.1 局部关联的不同符号转换的特征 | 第30-31页 |
| 3.4.2 局部关联的不同量级转换特征 | 第31-32页 |
| 3.5 快速金字塔结构 | 第32-34页 |
| 3.6 本章小结 | 第34-35页 |
| 4 分类学习算法 | 第35-41页 |
| 4.1 SVM分类器 | 第35-37页 |
| 4.2 AdaBoost分类器 | 第37-39页 |
| 4.3 本章小结 | 第39-41页 |
| 5 实验结论 | 第41-56页 |
| 5.1 实验数据库 | 第41-43页 |
| 5.2 评价指标 | 第43-44页 |
| 5.3 参数设置 | 第44-45页 |
| 5.4 车辆检测实验 | 第45-54页 |
| 5.4.1 不同的多特征金字塔 | 第47-49页 |
| 5.4.2 与其他现有的车辆检测方法比较 | 第49-50页 |
| 5.4.3 检测结果和讨论 | 第50-54页 |
| 5.5 运行时间 | 第54-55页 |
| 5.6 本章小结 | 第55-56页 |
| 6 总结及展望 | 第56-58页 |
| 6.1 工作总结 | 第56-57页 |
| 6.2 展望 | 第57-58页 |
| 参考文献 | 第58-63页 |
| 作者简历 | 第63-64页 |
| 学位论文数据集 | 第64页 |
