基于图像处理与机器学习的车标及安全带识别研究
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究的目的和意义 | 第12-13页 |
| 1.3 国内外相关研究情况 | 第13-15页 |
| 1.3.1 车标自动识别研究现状 | 第13-14页 |
| 1.3.2 安全带识别研究现状 | 第14-15页 |
| 1.4 本论文主要内容安排 | 第15-16页 |
| 1.5 本章小结 | 第16-17页 |
| 第二章 图像处理与机器学习的相关理论基础 | 第17-29页 |
| 2.1 图像灰度化 | 第17-18页 |
| 2.2 灰度直方图均衡化 | 第18-19页 |
| 2.3 相关图像滤波算法 | 第19-20页 |
| 2.3.1 中值滤波 | 第19页 |
| 2.3.2 高斯滤波 | 第19-20页 |
| 2.3.3 形态学滤波 | 第20页 |
| 2.4 HOG特征及其提取方法 | 第20-22页 |
| 2.4.1 HOG特征的主要思想和优点 | 第20-21页 |
| 2.4.2 HOG特征的提取方法 | 第21-22页 |
| 2.5 SVM支持向量机 | 第22-28页 |
| 2.5.1 SVM结构和原理 | 第23-24页 |
| 2.5.2 SVM最优分类面 | 第24-26页 |
| 2.5.3 SVM核函数 | 第26-28页 |
| 2.6 本章小结 | 第28-29页 |
| 第三章 基于尺度自适应滑动窗与掩膜技术的车标识别 | 第29-38页 |
| 3.1 车标图像预处理 | 第29页 |
| 3.2 车标粗定位 | 第29-30页 |
| 3.3 基于尺度自适应滑动窗的车标精确定位 | 第30-34页 |
| 3.3.1 初始滑动窗的尺度确定 | 第30-31页 |
| 3.3.2 滑动窗的滑动轨迹 | 第31-32页 |
| 3.3.3 滑动窗尺度自适应调整 | 第32-34页 |
| 3.4 背景滤噪掩模 | 第34-35页 |
| 3.5 基于加权匹配度的模板匹配车标识别 | 第35-36页 |
| 3.6 实验与结果分析 | 第36-37页 |
| 3.7 本章小结 | 第37-38页 |
| 第四章 基于SVM的车标二次识别 | 第38-46页 |
| 4.1 训练样本预处理 | 第38-40页 |
| 4.1.1 训练样本准备 | 第38-39页 |
| 4.1.2 训练样本归一化及滤噪处理 | 第39页 |
| 4.1.3 训练样本HOG特征提取 | 第39-40页 |
| 4.2 SVM的车标HOG特征分类实现 | 第40-43页 |
| 4.3 实验与结果分析 | 第43-45页 |
| 4.4 本章小结 | 第45-46页 |
| 第五章 安全带识别 | 第46-63页 |
| 5.1 挡风玻璃定位 | 第46-52页 |
| 5.1.1 粗定位挡风玻璃图像边缘提取 | 第47-48页 |
| 5.1.2 挡风玻璃上下边界定位 | 第48-49页 |
| 5.1.3 挡风玻璃左右边界定位 | 第49-50页 |
| 5.1.4 挡风玻璃反光及模糊的图像过滤 | 第50-52页 |
| 5.2 安全带检测区域定位 | 第52页 |
| 5.3 安全带识别 | 第52-59页 |
| 5.3.1 安全带检测区域图像预处理 | 第52-55页 |
| 5.3.2 断裂安全带斜线自动连接 | 第55-56页 |
| 5.3.3 安全带检测算子 | 第56-57页 |
| 5.3.4 安全带斜线检测运算 | 第57-59页 |
| 5.4 安全带识别算法总流程图 | 第59-60页 |
| 5.5 实验与结果分析 | 第60-62页 |
| 5.6 本章小结 | 第62-63页 |
| 第六章 总结与展望 | 第63-65页 |
| 6.1 研究成果总结 | 第63-64页 |
| 6.2 研究工作展望 | 第64-65页 |
| 参考文献 | 第65-69页 |
| 攻读硕士学位期间取得的学术成果 | 第69-70页 |
| 致谢 | 第70页 |
