自然场景下基于局部模型的车体检测及其并行化方法研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-18页 |
| 1.1 选题背景与研究意义 | 第9页 |
| 1.2 车体检测技术的研究现状 | 第9-15页 |
| 1.2.1 基于人工设计特征的车体检测 | 第10-13页 |
| 1.2.2 基于学习特征的车体检测 | 第13-15页 |
| 1.3 自然场景车体检测的难点 | 第15-16页 |
| 1.4 主要工作和章节安排 | 第16-18页 |
| 2 支持向量机 | 第18-33页 |
| 2.1 边缘 | 第18-19页 |
| 2.2 表示法 | 第19页 |
| 2.3 函数边界和几何边界 | 第19-22页 |
| 2.4 最优边缘分类器 | 第22-23页 |
| 2.5 拉格朗日对偶 | 第23-25页 |
| 2.6 最优间隔分类器 | 第25-28页 |
| 2.7 核函数 | 第28-31页 |
| 2.8 核函数有效性判定 | 第31-33页 |
| 3 车体检测及并行化实现 | 第33-53页 |
| 3.1 模型的结构以及训练时的主要算法 | 第33-39页 |
| 3.1.1 可变形局部模型 | 第33-34页 |
| 3.1.2 模型匹配 | 第34-35页 |
| 3.1.3 混合模型 | 第35-36页 |
| 3.1.4 方向梯度直方图特征 | 第36-39页 |
| 3.2 潜在支持向量机 | 第39-44页 |
| 3.2.1 半凸状 | 第40页 |
| 3.2.2 潜在支持向量机优化 | 第40-41页 |
| 3.2.3 随机梯度下降 | 第41-42页 |
| 3.2.4 训练样本 | 第42-43页 |
| 3.2.5 使用潜在支持向量机训练困难样本 | 第43-44页 |
| 3.3 训练模型 | 第44-47页 |
| 3.3.1 学习参数 | 第44-45页 |
| 3.3.2 训练模型 | 第45-47页 |
| 3.4 检测算法 | 第47-53页 |
| 3.4.1 车体检测 | 第47页 |
| 3.4.2 并行化 | 第47-53页 |
| 4 实验 | 第53-64页 |
| 4.1 实验 | 第53-54页 |
| 4.2 实验数据介绍 | 第54-55页 |
| 4.3 实验结果与分析 | 第55-60页 |
| 4.3.1 鲁棒性 | 第55-58页 |
| 4.3.2 检测准确率 | 第58-60页 |
| 4.3.3 检测效率 | 第60页 |
| 4.4 问题讨论 | 第60-62页 |
| 4.4.1 优势 | 第60-61页 |
| 4.4.2 局限性 | 第61-62页 |
| 4.5 总结与展望 | 第62-64页 |
| 参考文献 | 第64-68页 |
| 致谢 | 第68-69页 |
| 个人简历、在学期间发表的学术论文与成果 | 第69页 |
