| 摘要 | 第9-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 研究背景及意义 | 第12页 |
| 1.2 国内外研究现状 | 第12-17页 |
| 1.2.1 车辆目标识别研究现状 | 第12-15页 |
| 1.2.2 基于机器学习的车辆目标识别技术研究现状 | 第15-17页 |
| 1.3 论文研究内容及章节安排 | 第17-20页 |
| 第二章 基于BS-KCRF的图像自动目标识别算法 | 第20-26页 |
| 2.1 引言 | 第20页 |
| 2.2 基于机器学习的图像自动目标识别原理 | 第20-22页 |
| 2.3 BS-KCRF图像自动目标识别算法 | 第22-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于背景模板筛选的视觉显著性检测 | 第26-52页 |
| 3.1 引言 | 第26-27页 |
| 3.2 经典显著性检测算法 | 第27-31页 |
| 3.2.1 Itti算法 | 第27-29页 |
| 3.2.2 HC、RC算法 | 第29-30页 |
| 3.2.3 上下文感知显著性检测算法 | 第30-31页 |
| 3.3 基于SLIC的超像素分割 | 第31-35页 |
| 3.3.1 超像素分割 | 第31-32页 |
| 3.3.2 SLIC算法 | 第32-35页 |
| 3.4 背景模板筛选 | 第35-38页 |
| 3.4.1 边界连通性 | 第35-37页 |
| 3.4.2 背景概率计算 | 第37-38页 |
| 3.5 显著图计算 | 第38-44页 |
| 3.5.1 基于GB算法的边界概率 | 第38-41页 |
| 3.5.2 边缘和颜色空间显著图 | 第41-42页 |
| 3.5.3 显著图融合 | 第42-44页 |
| 3.6 仿真结果及分析 | 第44-50页 |
| 3.6.1 性能指标 | 第44-45页 |
| 3.6.2 数据集中显著性检测对比实验 | 第45-47页 |
| 3.6.3 车辆图像显著性检测对比实验 | 第47-50页 |
| 3.7 本章小结 | 第50-52页 |
| 第四章 基于HOG特征和随机森林的目标识别 | 第52-74页 |
| 4.1 引言 | 第52页 |
| 4.2 SSHOG特征提取 | 第52-60页 |
| 4.2.1 经典特征提取方法 | 第53-57页 |
| 4.2.2 SHOG特征提取 | 第57-59页 |
| 4.2.3 SLPP特征降维 | 第59-60页 |
| 4.3 LLKNN随机森林分类器 | 第60-68页 |
| 4.3.1 经典的分类器 | 第60-63页 |
| 4.3.2 随机森林分类器 | 第63-66页 |
| 4.3.3 LLKNN稀疏表示的判决函数 | 第66-67页 |
| 4.3.4 训练生成KCRF分类器 | 第67-68页 |
| 4.4 仿真结果及分析 | 第68-72页 |
| 4.4.1 复杂地物背景下SSHOG特征描述能力 | 第69-71页 |
| 4.4.2 KCRF分类器分类性能 | 第71-72页 |
| 4.5 本章小结 | 第72-74页 |
| 第五章 基于BS-KCRF算法的车辆检测与识别实验验证 | 第74-80页 |
| 5.1 引言 | 第74页 |
| 5.2 仿真结果及分析 | 第74-79页 |
| 5.2.1 BS-KCRF车辆识别结果 | 第74-77页 |
| 5.2.2 与传统车辆检测方法性能对比 | 第77-79页 |
| 5.3 本章小结 | 第79-80页 |
| 结束语 | 第80-82页 |
| 致谢 | 第82-84页 |
| 参考文献 | 第84-90页 |
| 作者在学期间取得的学术成果 | 第90页 |