| 致谢 | 第5-6页 |
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-9页 |
| 1 引言 | 第12-19页 |
| 1.1 选题背景与意义 | 第12页 |
| 1.2 国内外研究方法 | 第12-16页 |
| 1.2.1 国外研究方法 | 第13-15页 |
| 1.2.2 国内研究方法 | 第15-16页 |
| 1.3 研究现状总结 | 第16-17页 |
| 1.4 本文主要工作及思路 | 第17-19页 |
| 2 基于Hadoop的海量车辆图像综合特征提取 | 第19-35页 |
| 2.1 海量图像数据分布式处理方案 | 第19-23页 |
| 2.1.1 Hadoop生态系统基础 | 第19-22页 |
| 2.1.2 海量图像组合处理 | 第22-23页 |
| 2.2 车辆目标的综合特征选取 | 第23-33页 |
| 2.2.1 目标区域内人眼视觉主观特征 | 第24-29页 |
| 2.2.2 车辆目标客观特征 | 第29-33页 |
| 2.2.3 车辆目标的综合特征表示 | 第33页 |
| 2.3 基于MapReduce的综合特征并行化提取 | 第33-34页 |
| 2.4 本章小结 | 第34-35页 |
| 3 基于分布式流形算法的SIFT特征降维处理 | 第35-41页 |
| 3.1 降维算法分类及比较 | 第35-37页 |
| 3.2 流形学习降维方法的数学描述 | 第37页 |
| 3.3 局部PCA过渡非线性降维算法 | 第37-40页 |
| 3.4 基于MapReduce的特征降维实现 | 第40页 |
| 3.5 本章小结 | 第40-41页 |
| 4 特定车辆目标检测方法研究 | 第41-58页 |
| 4.1 团队管理模式下的并行化智能蜂群聚类分析 | 第41-52页 |
| 4.1.1 传统蜂群算法及其数学描述 | 第42-43页 |
| 4.1.2 团队管理模式下的智能蜂群算法 | 第43-48页 |
| 4.1.3 聚类分析的数学模型 | 第48-49页 |
| 4.1.4 团队管理模式下并行化智能蜂群算法的聚类实现 | 第49-52页 |
| 4.2 基于视觉特征袋模型的特定车辆目标检测 | 第52-57页 |
| 4.2.1 视觉特征袋模型 | 第52-53页 |
| 4.2.2 车辆图像特征向量相似度测量方法 | 第53-55页 |
| 4.2.3 基于MapReduce的特定车辆目标检测 | 第55-57页 |
| 4.3 本章小结 | 第57-58页 |
| 5 实验分析 | 第58-71页 |
| 5.1 实验平台的搭建及其优势 | 第58-60页 |
| 5.2 车辆综合特征提取 | 第60-64页 |
| 5.2.1 车辆目标区域提取 | 第60页 |
| 5.2.2 目标主观特征提取 | 第60-63页 |
| 5.2.3 车辆目标客观特征提取 | 第63-64页 |
| 5.3 车辆综合特征处理 | 第64-68页 |
| 5.3.1 SIFT特征的局部PCA过渡非线性降维处理 | 第64-66页 |
| 5.3.2 团队管理模式下智能蜂群算法聚类分析 | 第66-68页 |
| 5.4 特定车辆目标检测 | 第68-70页 |
| 5.4.1 相似度测量 | 第68-69页 |
| 5.4.2 特定车辆目标检测结果分析 | 第69-70页 |
| 5.5 本章小结 | 第70-71页 |
| 6 结论 | 第71-73页 |
| 6.1 论文工作总结 | 第71-72页 |
| 6.2 论文进一步展望 | 第72-73页 |
| 参考文献 | 第73-75页 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 | 第75-77页 |
| 学位论文数据集 | 第77页 |
