| 中文摘要 | 第3-4页 |
| 英文摘要 | 第4-5页 |
| 1 绪论 | 第8-16页 |
| 1.1 课题研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-12页 |
| 1.3 本文的主要研究内容及技术路线 | 第12-13页 |
| 1.4 本文的结构安排 | 第13-16页 |
| 2 车辆感兴趣区域提取方法 | 第16-34页 |
| 2.1 图像预处理 | 第16-22页 |
| 2.1.1 图像灰度化 | 第16-17页 |
| 2.1.2 图像去噪处理 | 第17-20页 |
| 2.1.3 图像形态学处理 | 第20-22页 |
| 2.2 基于车辆底部阴影特征的感兴趣区域提取 | 第22-32页 |
| 2.2.1 显著性检测 | 第22-28页 |
| 2.2.2 车辆底部阴影的自适应阈值方法 | 第28-30页 |
| 2.2.3 车辆底部阴影边缘特征提取 | 第30-31页 |
| 2.2.4 车辆感兴趣区域确定 | 第31-32页 |
| 2.3 本章小结 | 第32-34页 |
| 3 车辆多特征融合算法 | 第34-48页 |
| 3.1 Haar-like矩形特征 | 第34-38页 |
| 3.1.1 Haar-like矩形特征的定义 | 第35-37页 |
| 3.1.2 计算子窗口中Haar-like矩形特征数量 | 第37页 |
| 3.1.3 积分图像计算Haar-like特征 | 第37-38页 |
| 3.2 HOG特征 | 第38-41页 |
| 3.2.1 HOG算法流程 | 第38-40页 |
| 3.2.2 积分直方图计算HOG特征 | 第40-41页 |
| 3.3 LBP纹理特征 | 第41-42页 |
| 3.3.1 LBP纹理特征 | 第41页 |
| 3.3.2 LBP特征算法流程 | 第41-42页 |
| 3.4 基于Fisher准则的车辆多特征融合算法 | 第42-46页 |
| 3.4.1 Fisher准则算法描述 | 第43-44页 |
| 3.4.2 多特征融合算法验证 | 第44-46页 |
| 3.5 本章小结 | 第46-48页 |
| 4 基于多特征融合级联分类器的车辆检测方法 | 第48-64页 |
| 4.1 Adaboost算法 | 第48-51页 |
| 4.1.1 Adaboost算法介绍 | 第48-50页 |
| 4.1.2 Discrete Adaboost算法 | 第50页 |
| 4.1.3 Gentle Adaboost算法 | 第50-51页 |
| 4.2 多特征融合级联分类器设计 | 第51-56页 |
| 4.2.1 弱分类器设计 | 第52-53页 |
| 4.2.2 多特征融合级联分类器的生成 | 第53-56页 |
| 4.3 仿真与实验结果分析 | 第56-63页 |
| 4.3.1 实验平台 | 第56-57页 |
| 4.3.2 训练样本集的建立 | 第57-58页 |
| 4.3.3 分类器的训练 | 第58-59页 |
| 4.3.4 实验结果及分析 | 第59-63页 |
| 4.4 本章小结 | 第63-64页 |
| 5 总结与展望 | 第64-66页 |
| 5.1 总结 | 第64-65页 |
| 5.2 展望 | 第65-66页 |
| 致谢 | 第66-68页 |
| 参考文献 | 第68-74页 |
| 附录 | 第74页 |
| A. 作者在攻读学位期间发表的论文（和专利）目录 | 第74页 |
| B. 作者在攻读学位期间参与的科研项目 | 第74页 |