二值样本与自适应感兴趣区域夜间车辆检测
| 摘要 | 第8-10页 |
| ABSTRACT | 第10-11页 |
| 第一章 绪论 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 研究内容及创新点 | 第15-16页 |
| 1.3.1 研究内容 | 第15页 |
| 1.3.2 创新点 | 第15-16页 |
| 1.4 本文章节安排 | 第16-18页 |
| 第二章 夜间交通图像阈值处理算法 | 第18-26页 |
| 2.1 阈值处理算法 | 第18-23页 |
| 2.1.1 大津法(Otsu算法) | 第19-20页 |
| 2.1.2 亮度累加直方图阈值算法 | 第20-21页 |
| 2.1.3 Kumar阈值算法 | 第21-22页 |
| 2.1.4 Wellner自适应阈值算法 | 第22-23页 |
| 2.1.5 常见阈值处理算法分析 | 第23页 |
| 2.2 最大似然估计阈值算法 | 第23-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 自适应感兴趣区域确定 | 第26-32页 |
| 3.1 感兴趣区域确定方法 | 第26页 |
| 3.2 本文ROI确定方法 | 第26-30页 |
| 3.2.1 Hough变换 | 第27-28页 |
| 3.2.2 确定感兴趣区域ROI | 第28-30页 |
| 3.3 本章小结 | 第30-32页 |
| 第四章 AdaBoost算法训练车辆分类器 | 第32-46页 |
| 4.1 AdaBoost算法简介 | 第32-34页 |
| 4.1.1 Boosting算法背景 | 第32-33页 |
| 4.1.2 算法描述 | 第33-34页 |
| 4.2 Haar特征与积分图 | 第34-39页 |
| 4.2.1 Haar特征 | 第35-36页 |
| 4.2.2 Haar特征数量计算 | 第36-38页 |
| 4.2.3 积分图像 | 第38-39页 |
| 4.3 特征选择与分类器训练 | 第39-43页 |
| 4.3.1 传统灰度样本Haar特征选择 | 第40-41页 |
| 4.3.2 二值化样本Haar特征选择 | 第41-43页 |
| 4.4 筛选式级联分类器生成 | 第43页 |
| 4.5 本章小结 | 第43-46页 |
| 第五章 车灯分割与追踪补偿 | 第46-52页 |
| 5.1 车灯分割 | 第46-47页 |
| 5.2 车灯追踪补偿 | 第47-49页 |
| 5.3 本章小结 | 第49-52页 |
| 第六章 实验与分析 | 第52-60页 |
| 6.1 夜间交通图像阈值处理实验 | 第52-53页 |
| 6.2 灰度样本与二值样本训练分类器实验 | 第53-55页 |
| 6.3 本文方法鲁棒性实验 | 第55-56页 |
| 6.4 多种夜间车辆检测方法对比实验 | 第56-58页 |
| 6.5 本章小结 | 第58-60页 |
| 第七章 总结与展望 | 第60-62页 |
| 7.1 总结 | 第60-61页 |
| 7.2 展望 | 第61-62页 |
| 参考文献 | 第62-65页 |
| 致谢 | 第65-66页 |
| 攻读学位期间发表的学术论文目录 | 第66-67页 |
| 学位论文评闻及答辩情况表 | 第67页 |
