| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题研究的背景和意义 | 第11-14页 |
| 1.2 国内外研究现状 | 第14-17页 |
| 1.2.1 基于视频图像的车辆检测的国内外研究现状 | 第14-15页 |
| 1.2.2 车型识别的国内外研究现状 | 第15-17页 |
| 1.3 本文的主要研究内容 | 第17-18页 |
| 1.4 本文组织结构 | 第18-19页 |
| 第2章 图像处理的理论基础 | 第19-31页 |
| 2.1 引言 | 第19页 |
| 2.2 彩色图像灰度化 | 第19-20页 |
| 2.3 灰度图像二值化 | 第20-22页 |
| 2.3.1 大津法 | 第20-21页 |
| 2.3.2 迭代法 | 第21页 |
| 2.3.3 最大熵法 | 第21-22页 |
| 2.4 图像的去噪算法 | 第22-25页 |
| 2.4.1 均值滤波 | 第23页 |
| 2.4.2 中值滤波 | 第23-24页 |
| 2.4.3 双边滤波 | 第24-25页 |
| 2.5 图像的边缘信息提取 | 第25-28页 |
| 2.5.1 Sobel算子 | 第25-26页 |
| 2.5.2 Canny算子 | 第26-27页 |
| 2.5.3 Prewitt算子 | 第27页 |
| 2.5.4 Roberts算子 | 第27-28页 |
| 2.6 形态学处理 | 第28-30页 |
| 2.6.1 腐蚀 | 第28-29页 |
| 2.6.2 膨胀 | 第29页 |
| 2.6.3 开运算 | 第29页 |
| 2.6.4 闭运算 | 第29-30页 |
| 2.7 本章小结 | 第30-31页 |
| 第3章 运动车辆检测及阴影消除 | 第31-42页 |
| 3.1 引言 | 第31页 |
| 3.2 基于视频图像的车辆检测方法 | 第31-33页 |
| 3.2.1 光流法 | 第31页 |
| 3.2.2 帧间差分法 | 第31-33页 |
| 3.2.3 背景差法 | 第33页 |
| 3.3 背景模型的建模与更新 | 第33-39页 |
| 3.3.1 多帧平均法 | 第34页 |
| 3.3.2 中值法 | 第34-35页 |
| 3.3.3 混合高斯模型法 | 第35-36页 |
| 3.3.4 Surendra背景更新算法 | 第36-37页 |
| 3.3.5 基于Surendra算法与背景差分法的车辆检测 | 第37-39页 |
| 3.4 车辆阴影的消除 | 第39-41页 |
| 3.5 本章小结 | 第41-42页 |
| 第4章 运动车辆特征提取 | 第42-56页 |
| 4.1 引言 | 第42页 |
| 4.2 车辆特征的描述 | 第42-49页 |
| 4.2.1 几何特征 | 第42-43页 |
| 4.2.2 纹理特征 | 第43-44页 |
| 4.2.3 局部特征 | 第44-48页 |
| 4.2.4 PCA降维 | 第48-49页 |
| 4.3 车辆特征的选择 | 第49-50页 |
| 4.4 提取车辆特征参数的结果与分析 | 第50-55页 |
| 4.5 本章小结 | 第55-56页 |
| 第5章 基于SVM的车型识别 | 第56-73页 |
| 5.1 引言 | 第56页 |
| 5.2 支持向量机理论知识 | 第56-59页 |
| 5.2.1 线性支持向量机 | 第56-58页 |
| 5.2.2 非线性支持向量机 | 第58-59页 |
| 5.2.3 支持向量机核函数 | 第59页 |
| 5.2.4 支持向量机的参数选择 | 第59页 |
| 5.3 支持向量机参数的优化 | 第59-65页 |
| 5.3.1 基于网格搜索法的参数优化 | 第59-61页 |
| 5.3.2 基于遗传算法参数优化 | 第61-63页 |
| 5.3.3 基于粒子群算法的参数优化 | 第63-65页 |
| 5.4 系统设计 | 第65-69页 |
| 5.4.1 系统流程设计 | 第65-66页 |
| 5.4.2 系统界面设计 | 第66-69页 |
| 5.5 实验结果与分析 | 第69-72页 |
| 5.6 本章小结 | 第72-73页 |
| 结论 | 第73-74页 |
| 参考文献 | 第74-78页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第78-79页 |
| 致谢 | 第79页 |