| 中文摘要 | 第1-6页 |
| 英文摘要 | 第6-15页 |
| 第1章 绪论 | 第15-24页 |
| ·研究背景及意义 | 第15-20页 |
| ·研究背景 | 第16-18页 |
| ·研究意义 | 第18-20页 |
| ·研究目标与内容 | 第20-22页 |
| ·本文的研究目标 | 第20页 |
| ·本文的研究内容及研究方法 | 第20-22页 |
| ·本文的内容结构 | 第22-24页 |
| 第2章 运动汽车检测和识别技术研究 | 第24-41页 |
| ·引言 | 第24页 |
| ·目前的运动汽车检测技术 | 第24-34页 |
| ·基于电磁感应的运动汽车检测 | 第25页 |
| ·红外图像热物理不变量的汽车检测 | 第25-27页 |
| ·基于光流场的汽车检测 | 第27-28页 |
| ·基于视频图像的汽车检测 | 第28-34页 |
| ·基于图像序列帧间差的汽车检测方法 | 第29-33页 |
| ·自适应背景对消汽车检测方法 | 第33页 |
| ·基于视觉特征的汽车检测方法 | 第33-34页 |
| ·目前的汽车识别方法 | 第34-39页 |
| ·基于模板匹配的汽车识别方法 | 第34-36页 |
| ·基于统计模式的汽车识别方法 | 第36页 |
| ·基于神经网络的汽车识别方法 | 第36-37页 |
| ·基于仿生模式识别(拓扑模式识别)的汽车识别方法 | 第37-38页 |
| ·基于支持向量机的汽车识别方法 | 第38-39页 |
| ·本章小结 | 第39-41页 |
| 第3章 基于形变模板模型的运动汽车分割和分类方法 | 第41-63页 |
| ·引言 | 第41-42页 |
| ·形变模型 | 第42-47页 |
| ·形变轮廓模型 | 第42-43页 |
| ·形变模板模型 | 第43-44页 |
| ·汽车的形变模板模型 | 第44-46页 |
| ·汽车形变模板模型的拓扑关系约束和形变 | 第46-47页 |
| ·概率函数 | 第47-49页 |
| ·先验概率密度函数 | 第47页 |
| ·最大似然估计 | 第47-49页 |
| ·以模板形变为约束的 EM 算法 | 第49-53页 |
| ·退火过程的数学模型 | 第50-51页 |
| ·形变模板模型参数使“退火”过程的能量最小化 | 第51-52页 |
| ·模拟“退火”过程的温度进度确定 | 第52-53页 |
| ·复杂背景图像中的运动汽车分割与分类 | 第53-56页 |
| ·差分运动检测 | 第53-54页 |
| ·多尺度封闭轮廓边缘检测 | 第54-55页 |
| ·基于形变模板模型的最优化匹配与分割算法 | 第55-56页 |
| ·实验及结果讨论 | 第56-61页 |
| ·约束函数f_1的简化 | 第57页 |
| ·分割过程 | 第57-59页 |
| ·实验结果及讨论 | 第59-60页 |
| ·与其它算法的比较 | 第60-61页 |
| ·本章小结 | 第61-63页 |
| 第4章 基于分层统计模型的运动汽车分割技术 | 第63-84页 |
| ·引言 | 第63-64页 |
| ·图像的三层模型表示 | 第64页 |
| ·隐马尔可夫模型(Hidden Markov Model)方法 | 第64-68页 |
| ·HMM 模型 | 第66-67页 |
| ·状态转移矩阵 | 第67页 |
| ·HMM 目标函数 | 第67-68页 |
| ·图像的 HMM 模型 | 第68-70页 |
| ·汽车特征检测和基于模型的自适应分割算法 | 第70-80页 |
| ·基于视觉特性的图像预处理 | 第70-73页 |
| ·像素梯度与人的视觉特性 | 第71-72页 |
| ·噪声剔除 | 第72页 |
| ·变换运算 | 第72-73页 |
| ·层次模型的参数学习 | 第73-74页 |
| ·最大后验概率(MAP:Maximum A Posterior) | 第74-75页 |
| ·EM 算法 | 第75-76页 |
| ·基于 EM 和最大似然的自适应区域分割算法 | 第76-77页 |
| ·HMM 观测的滤波处理 | 第77-80页 |
| ·运动汽车分割实验及结果分析 | 第80-83页 |
| ·分割试验 | 第80页 |
| ·与其它方法比较 | 第80页 |
| ·结果讨论 | 第80-83页 |
| ·本章小结 | 第83-84页 |
| 第5章 基于CEF 的信息势能聚类的汽车分类识别 | 第84-106页 |
| ·引言 | 第84-86页 |
| ·聚类度量与信息熵 | 第86-90页 |
| ·几何距离 | 第86-87页 |
| ·样本结构特征 | 第87-88页 |
| ·类概率密度函数距离度量 | 第88-89页 |
| ·信息熵 | 第89-90页 |
| ·基于CEF 的聚类算法 | 第90-98页 |
| ·聚类估价函数 CEF | 第90-92页 |
| ·基于 CEF 度量 | 第92-94页 |
| ·基于 CEF 的多类聚类算法 | 第94页 |
| ·分组算法 | 第94-96页 |
| ·基于CEF 的最优聚类算法 | 第96-98页 |
| ·基于 CEF 聚类的汽车分类识别 | 第98-104页 |
| ·基于物理尺寸的汽车分类识别 | 第99-101页 |
| ·基于特征的汽车分类识别 | 第101-104页 |
| ·试验结果分析 | 第104-105页 |
| ·本章小结 | 第105-106页 |
| 第6章 基于粗糙集的神经网络汽车识别 | 第106-125页 |
| ·引言 | 第106-108页 |
| ·粗糙集的基本概念及理论 | 第108-110页 |
| ·知识、等价关系、粗糙集、上近似和下近似 | 第108-110页 |
| ·知识(属性)的约简、核和决策表 | 第110页 |
| ·决策表的约简 | 第110-113页 |
| ·基于决策表的约简 | 第111页 |
| ·基于决策规则的约简 | 第111-112页 |
| ·基于近似的约简 | 第112-113页 |
| ·神经网络 | 第113-119页 |
| ·神经元模型 | 第114-118页 |
| ·基本神经元模型 | 第114-115页 |
| ·神经元的Fukushima 模型 | 第115-116页 |
| ·自适应线性神经元模型 | 第116页 |
| ·单层感知机模型 | 第116-117页 |
| ·Hopfield 模型 | 第117页 |
| ·Grossberg 模型 | 第117-118页 |
| ·神经网络的结构 | 第118-119页 |
| ·基于粗糙集的神经网络汽车识别 | 第119-123页 |
| ·条件属性的量化 | 第119-120页 |
| ·神经网络学习算法 | 第120-123页 |
| ·网络的学习算法 | 第120-122页 |
| ·改进的BP 学习算法 | 第122-123页 |
| ·汽车识别实验及结果讨论 | 第123-124页 |
| ·本章总结 | 第124-125页 |
| 第7章 结论与展望 | 第125-128页 |
| ·本文工作总结 | 第125页 |
| ·本文主要研究成果 | 第125-126页 |
| ·未来的工作及展望 | 第126-128页 |
| 参考文献 | 第128-140页 |
| 附录一 | 第140-143页 |
| 附录二 | 第143-144页 |
| 论文申明 | 第144-145页 |
| 致谢 | 第145页 |