| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第10-16页 |
| 1.1 课题研究背景、目的与意义 | 第10-11页 |
| 1.1.1 课题研究背景 | 第10-11页 |
| 1.1.2 课题研究的目的与意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 课题研究的关键问题 | 第13页 |
| 1.4 本文主要研究内容及组织结构 | 第13-16页 |
| 第2章 基于视觉的车辆检测算法概述 | 第16-34页 |
| 2.1 车辆检测算法分类 | 第16-18页 |
| 2.1.1 基于特征的方法 | 第16-17页 |
| 2.1.2 基于模型的方法 | 第17-18页 |
| 2.1.3 基于运动的方法 | 第18页 |
| 2.2 基于Haar+Adaboost算法的目标车辆检测 | 第18-26页 |
| 2.2.1 Adaboost算法的分类原理 | 第19-24页 |
| 2.2.2 Haar特征 | 第24-25页 |
| 2.2.3 Harr+Adaboost的车辆检测算法的实现 | 第25-26页 |
| 2.3 基于HOG+SVM算法的目标车辆检测 | 第26-33页 |
| 2.3.1 SVM算法的分类原理 | 第26-29页 |
| 2.3.2 HOG特征 | 第29-31页 |
| 2.3.3 HOG+SVM的车辆检测算法的实现 | 第31-33页 |
| 2.4 本章小结 | 第33-34页 |
| 第3章 基于空间标记与权重的HOG特征车辆检测算法 | 第34-46页 |
| 3.1 HOG算法的分析 | 第34-38页 |
| 3.1.1 空间梯度信息的缺失 | 第34-37页 |
| 3.1.2 梯度幅值基于相位权重信息的缺失 | 第37-38页 |
| 3.2 基于空间标记与权重的HOG特征 | 第38-42页 |
| 3.2.1 针对梯度空间位置信息的缺失的改进 | 第38-40页 |
| 3.2.2 梯度幅值基于相位权重信息缺失的改进 | 第40-42页 |
| 3.3 PWHOG特征的提取 | 第42-45页 |
| 3.4 本章小结 | 第45-46页 |
| 第4章 基于线性模型的加速搜索算法 | 第46-58页 |
| 4.1 车辆的多尺度检测算法 | 第46页 |
| 4.2 基于高斯金字塔的多尺度检测 | 第46-49页 |
| 4.2.1 高斯金字塔的原理 | 第46-48页 |
| 4.2.2 基于高斯金字塔的车辆多尺度检测的实现 | 第48-49页 |
| 4.3 基于线性模型的加速搜索算法 | 第49-57页 |
| 4.3.1 自适应线性模型 | 第49-54页 |
| 4.3.2 有效滑动窗口的最近搜索方法 | 第54-57页 |
| 4.4 本章小结 | 第57-58页 |
| 第5章 实验结果分析 | 第58-66页 |
| 5.1 基于非极大值抑制的窗口融合处理 | 第58-59页 |
| 5.2 数据库介绍 | 第59-62页 |
| 5.2.1 自建数据集 | 第59-60页 |
| 5.2.2 Pittsburgh数据集 | 第60-61页 |
| 5.2.3 KITTI数据库 | 第61-62页 |
| 5.3 实验结果分析 | 第62-64页 |
| 5.4 本章小结 | 第64-66页 |
| 第6章 总结与展望 | 第66-68页 |
| 6.1 工作总结 | 第66页 |
| 6.2 工作展望 | 第66-68页 |
| 参考文献 | 第68-74页 |
| 致谢 | 第74页 |
