基于Gabor滤波特征的车辆检测系统的研究
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-19页 |
| ·引言 | 第9-12页 |
| ·人类视觉 | 第9-10页 |
| ·计算机视觉 | 第10-12页 |
| ·课题的研究背景 | 第12-14页 |
| ·国内外研究现状及车辆检测识别的一般方法 | 第14-17页 |
| ·本文的研究内容概述 | 第17页 |
| ·本文组织结构 | 第17-19页 |
| 第2章 Gabor滤波器和遗传算法 | 第19-35页 |
| ·Gabor滤波器 | 第19-26页 |
| ·Gabor滤波器表达式 | 第20-21页 |
| ·Gabor滤波器的性质 | 第21页 |
| ·二维多通道Gabor滤波器 | 第21-22页 |
| ·二维多通道Gabor滤波器参数的设置 | 第22-26页 |
| ·遗传算法 | 第26-33页 |
| ·遗传算法的基本概念 | 第26-27页 |
| ·遗传算法的基本理论 | 第27-29页 |
| ·遗传算法的特点 | 第29-30页 |
| ·遗传算法的基本流程 | 第30-33页 |
| ·本章小结 | 第33-35页 |
| 第3章 用于提取车辆特征的Gabor滤波器优化 | 第35-44页 |
| ·Gabor滤波器对车辆特征的提取 | 第35-38页 |
| ·Gabor滤波器参数分析 | 第38-39页 |
| ·基于遗传算法的参数优化方案 | 第39-42页 |
| ·适应度函数(评价函数)的确定 | 第39-40页 |
| ·选择过程 | 第40-41页 |
| ·参数编码 | 第41页 |
| ·遗传算法实现 | 第41-42页 |
| ·基于聚类削减冗余滤波器 | 第42-43页 |
| ·本章小结 | 第43-44页 |
| 第4章 车辆模式分类问题研究 | 第44-58页 |
| ·车辆特征向量 | 第44-45页 |
| ·基于支持向量机的车辆特征分类器 | 第45-50页 |
| ·结构风险最小化 | 第45-47页 |
| ·Gabor特征的最优分类面 | 第47-50页 |
| ·基于神经网络的车辆特征分类器 | 第50-53页 |
| ·BP算法 | 第50-52页 |
| ·BP算法训练过程 | 第52-53页 |
| ·实验过程及结果 | 第53-57页 |
| ·支持向量机分类识别实验 | 第53-55页 |
| ·BP神经网络分类识别实验 | 第55-57页 |
| ·本章小结 | 第57-58页 |
| 第5章 系统结构与实验结果分析 | 第58-65页 |
| ·车辆检系统构成 | 第58-59页 |
| ·实验结果分析 | 第59-63页 |
| ·Gabor滤波器优化前后误分率比较 | 第59-62页 |
| ·分类器性能比较 | 第62-63页 |
| ·实验所用车辆图像 | 第63-64页 |
| ·本章小结 | 第64-65页 |
| 结论 | 第65-67页 |
| 参考文献 | 第67-71页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第71-72页 |
| 致谢 | 第72-73页 |
| 作者简介 | 第73页 |
