| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 1 绪论 | 第14-18页 |
| 1.1 研究背景及意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-18页 |
| 1.2.1 车辆检测研究现状 | 第15-16页 |
| 1.2.2 汽车型号识别研究现状 | 第16-18页 |
| 2 数字图像处理基本理论知识 | 第18-23页 |
| 2.1 颜色空间 | 第18-19页 |
| 2.1.1 RGB颜色空间 | 第18页 |
| 2.1.2 HSV颜色空间 | 第18-19页 |
| 2.2 滤波 | 第19页 |
| 2.2.1 均值滤波 | 第19页 |
| 2.2.2 中值滤波 | 第19页 |
| 2.2.3 高斯滤波 | 第19页 |
| 2.3 形态学操作 | 第19-20页 |
| 2.3.1 腐蚀与膨胀 | 第19-20页 |
| 2.3.2 开启与闭合 | 第20页 |
| 2.3.3 顶帽和黑帽 | 第20页 |
| 2.4 图像二值化 | 第20-22页 |
| 2.4.1 直方图双峰法 | 第20-21页 |
| 2.4.2 最大类间方差法 | 第21-22页 |
| 2.4.3 最大熵阈值法 | 第22页 |
| 2.5 本章小结 | 第22-23页 |
| 3 基于车载视频的日间车辆检测 | 第23-30页 |
| 3.1 车辆特征提取 | 第23-26页 |
| 3.1.1 HAAR特征 | 第23-24页 |
| 3.1.2 MB-LBP特征 | 第24-25页 |
| 3.1.3 HAAR特征 | 第25-26页 |
| 3.2 基于主动学习的二次训练Adaboost级联检测 | 第26-28页 |
| 3.2.1 Adaboost级联结构的检测器 | 第26-28页 |
| 3.2.2 基于主动学习的二次训练 | 第28页 |
| 3.3 算法改进 | 第28-29页 |
| 3.3.1 基于感兴趣区域的时间性能优化 | 第28-29页 |
| 3.3.2 基于运动信息的准确率优化 | 第29页 |
| 3.4 本章小结 | 第29-30页 |
| 4 基于车载视频的夜间车辆检测 | 第30-33页 |
| 4.1 红色光区域检测 | 第30-31页 |
| 4.2 红色光源位置定位 | 第31页 |
| 4.3 车尾灯对匹配 | 第31-32页 |
| 4.4 算法改进 | 第32页 |
| 4.5 本章小结 | 第32-33页 |
| 5 基于前视图像的汽车型号识别 | 第33-39页 |
| 5.1 基于Adaboost级联检测器的车头感兴趣区域检测 | 第33页 |
| 5.2 基于传统机器学习方法的汽车型号识别 | 第33-34页 |
| 5.3 基于卷积神经网络的汽车型号识别 | 第34-37页 |
| 5.3.1 卷积神经网络概述 | 第34-36页 |
| 5.3.2 卷积神经网络模型设计 | 第36-37页 |
| 5.4 卷积神经网络与传统机器学习方法的结合 | 第37-38页 |
| 5.5 本章小结 | 第38-39页 |
| 6 实验结果和分析 | 第39-49页 |
| 6.1 车辆检测结果 | 第39-45页 |
| 6.1.1 日间车辆检测结果 | 第39-43页 |
| 6.1.2 夜间车辆检测结果 | 第43-45页 |
| 6.2 汽车型号识别结果 | 第45-48页 |
| 6.2.1 车头感兴趣区域检测的结果 | 第45-46页 |
| 6.2.2 汽车型号识别结果 | 第46-48页 |
| 6.3 本章小结 | 第48-49页 |
| 7 总结与展望 | 第49-51页 |
| 7.1 总结 | 第49-50页 |
| 7.2 展望 | 第50-51页 |
| 参考文献 | 第51-55页 |
| 作者简历 | 第55页 |