| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究工作的背景与意义 | 第9-10页 |
| 1.1.1 计算机视觉对于智能交通系统的重要意义 | 第9页 |
| 1.1.2 车辆检测和跟踪对于智能交通系统的重要意义和研究难点 | 第9-10页 |
| 1.2 国内外研究历史与现状 | 第10-13页 |
| 1.2.1 车辆检测 | 第10-12页 |
| 1.2.2 车辆跟踪 | 第12-13页 |
| 1.3 本论文的主要研究内容及结构安排 | 第13-15页 |
| 第二章 图像预处理 | 第15-34页 |
| 2.1 车辆显著性特征提取方式 | 第15-19页 |
| 2.1.1 基于颜色通道的提取方式 | 第15-18页 |
| 2.1.2 基于角点特征的提取方式 | 第18页 |
| 2.1.3 基于边缘特征的提取方式 | 第18-19页 |
| 2.2 基于RGB颜色通道的分通道颜色增强 | 第19-23页 |
| 2.2.1 基于RGB的分通道颜色增强方式 | 第19-22页 |
| 2.2.2 算法仿真 | 第22-23页 |
| 2.3 图像分通道子节点的提取方法研究 | 第23-32页 |
| 2.3.1 基于最大稳定极值区域（MSER）的车辆结构化特征子节点提取方法 | 第23-28页 |
| 2.3.2 基于级联形态学的子节点处理方法 | 第28-29页 |
| 2.3.3 算法仿真 | 第29-32页 |
| 2.4 本章小结 | 第32-34页 |
| 第三章 基于结构化特征的多尺度车辆检测 | 第34-53页 |
| 3.1 特征检测基础理论 | 第34-39页 |
| 3.1.1 静态目标检测特征提取基础 | 第34-36页 |
| 3.1.2 分类器识别基础 | 第36-39页 |
| 3.2 特征检测方法 | 第39-45页 |
| 3.2.1 基于子节点图模型的组合数字特征检测方法 | 第39-42页 |
| 3.2.2 基于子节点图模型的组合数字特征的建库方法 | 第42-45页 |
| 3.3 基于支持向量机的数字特征分类训练方法 | 第45-49页 |
| 3.3.1 基于SVM的离线训练方法 | 第46-48页 |
| 3.3.2 基于SVM的在线识别方法 | 第48-49页 |
| 3.4 仿真实验 | 第49-52页 |
| 3.5 本章小结 | 第52-53页 |
| 第四章 基于Kalman滤波的DBT车辆跟踪 | 第53-62页 |
| 4.1 引言 | 第53页 |
| 4.2 检测后跟踪（DBT）问题描述与模型建立 | 第53-56页 |
| 4.2.1 Kalman滤波跟踪 | 第54-55页 |
| 4.2.2 粒子滤波跟踪 | 第55-56页 |
| 4.3 基于Kalman滤波器的车辆检测结果的DBT车辆跟踪 | 第56-60页 |
| 4.3.1 特征组合的聚类操作 | 第56-57页 |
| 4.3.2 基于Kalman滤波器的多目标跟踪操作 | 第57-60页 |
| 4.4 算法仿真 | 第60-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第五章 全文总结与展望 | 第62-63页 |
| 5.1 全文总结 | 第62页 |
| 5.2 后续工作展望 | 第62-63页 |
| 致谢 | 第63-64页 |
| 参考文献 | 第64-67页 |
| 攻读硕士学位期间取得的成果 | 第67-68页 |
