| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 车辆检测的研究背景及意义 | 第11-12页 |
| 1.2 车辆检测的方法概述 | 第12-15页 |
| 1.2.1 车辆检测的研究概况 | 第12-13页 |
| 1.2.2 车辆检测的主要方法及分析 | 第13-15页 |
| 1.3 车辆检测面临的挑战 | 第15-16页 |
| 1.4 论文的主要工作 | 第16-17页 |
| 第2章 相关理论知识 | 第17-25页 |
| 2.1 机器学习与数据挖掘 | 第17-19页 |
| 2.1.1 机器学习 | 第17-18页 |
| 2.1.2 数据挖掘 | 第18-19页 |
| 2.2 图像数据类型挖掘 | 第19-22页 |
| 2.2.1 Haar-like特征描述子 | 第19-20页 |
| 2.2.2 积分图的构建 | 第20-22页 |
| 2.3 机器学习算法 | 第22-24页 |
| 2.3.1 Adaboost算法 | 第22-23页 |
| 2.3.2 泛化误差分析 | 第23-24页 |
| 2.4 本章小结 | 第24-25页 |
| 第3章 改进Adaboost算法的收敛性分析 | 第25-39页 |
| 3.1 Adaboost算法的改进 | 第25-31页 |
| 3.1.1 传统的改进方式 | 第25-27页 |
| 3.1.2 新型的改进方式 | 第27-31页 |
| 3.2 Adaboost算法的动态调整改进 | 第31-36页 |
| 3.2.1 Adaboost算法的改进 | 第31-32页 |
| 3.2.2 针对改进算法进行收敛性 | 第32-35页 |
| 3.2.3 改进算法的合理性 | 第35-36页 |
| 3.3 改进算法的比较性分析 | 第36-38页 |
| 3.3.1 改进算法的性能比较 | 第36-37页 |
| 3.3.2 实验效果的比较 | 第37-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第4章 基于Soft Cascade原理的级联结构调整研究 | 第39-49页 |
| 4.1 传统Cascade结构 | 第39-40页 |
| 4.1.1 传统Cascade的提出 | 第39-40页 |
| 4.1.2 传统Cascade的问题 | 第40页 |
| 4.2 Soft Cascade级联方式 | 第40-45页 |
| 4.2.1 Soft Cascade的提出 | 第40-41页 |
| 4.2.2 阈值的选择 | 第41-45页 |
| 4.3 Soft Cascade的训练 | 第45-48页 |
| 4.3.1 自举的训练方式 | 第45-46页 |
| 4.3.2 Soft Cascade的训练过程 | 第46-47页 |
| 4.3.3 实验对比结果 | 第47-48页 |
| 4.4 本章小结 | 第48-49页 |
| 第5章 综合实验结果 | 第49-57页 |
| 5.1 基于EM算法的混合高斯模型多视角车辆检测器 | 第49-51页 |
| 5.1.1 混合高斯模型概述 | 第49页 |
| 5.1.2 混合高斯模型的参数估计的EM算法 | 第49-51页 |
| 5.2 多角度混合高斯模型的设计 | 第51-53页 |
| 5.3 检测及实验步骤 | 第53-56页 |
| 5.3.1 系统流程框架 | 第53-54页 |
| 5.3.2 实验结果 | 第54-55页 |
| 5.3.3 实验结果分析 | 第55-56页 |
| 5.4 本章小结 | 第56-57页 |
| 第6章 总结与展望 | 第57-59页 |
| 6.1 本文的主要工作 | 第57页 |
| 6.2 进一步的工作 | 第57-58页 |
| 6.3 展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63页 |