基于机器学习的车辆视频检测方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第9-17页 |
| 1.1 研究背景 | 第9-11页 |
| 1.2 研究现状综述 | 第11-14页 |
| 1.2.1 国外研究现状 | 第11-13页 |
| 1.2.2 国内研究现状 | 第13-14页 |
| 1.3 研究目的和研究内容安排 | 第14-17页 |
| 第二章 车辆目标检测 | 第17-27页 |
| 2.1 引言 | 第17页 |
| 2.2 车辆目标检测方法概述 | 第17-21页 |
| 2.2.1 基于帧间差分的方法 | 第17-18页 |
| 2.2.2 基于光流场的方法 | 第18-20页 |
| 2.2.3 基于背景消减的方法 | 第20-21页 |
| 2.3 高斯混合模型概述 | 第21-24页 |
| 2.4 运动目标提取 | 第24-26页 |
| 2.5 本章小结 | 第26-27页 |
| 第三章 车辆特征提取 | 第27-33页 |
| 3.1 引言 | 第27页 |
| 3.2 虚拟线圈的设置和车辆特征的选择 | 第27-28页 |
| 3.3 车辆特征提取 | 第28-30页 |
| 3.3.1 前景像素特征 | 第28-29页 |
| 3.3.2 纹理变化特征 | 第29-30页 |
| 3.3.3 背景图像的亮度和对比度特征 | 第30页 |
| 3.4 训练样本选取 | 第30-32页 |
| 3.5 本章小结 | 第32-33页 |
| 第四章 模式分类器设计 | 第33-59页 |
| 4.1 引言 | 第33页 |
| 4.2 随机森林理论 | 第33-41页 |
| 4.2.1 决策树及相关概念 | 第33-36页 |
| 4.2.2 从决策树到随机森林 | 第36-37页 |
| 4.2.3 Bagging方法 | 第37页 |
| 4.2.4 随机森林 | 第37-41页 |
| 4.3 支持向量机理论 | 第41-47页 |
| 4.3.1 线性最优分类面 | 第42-43页 |
| 4.3.2 最优分类超平面的构造 | 第43-44页 |
| 4.3.3 广义的最优化分类超平面 | 第44-45页 |
| 4.3.4 支持向量机 | 第45-47页 |
| 4.4 基于Adaboost的线性判别分析 | 第47-52页 |
| 4.4.1 Adaboost训练算法 | 第47-48页 |
| 4.4.2 PAC学习模型 | 第48-49页 |
| 4.4.3 弱学习与强学习 | 第49-50页 |
| 4.4.4 线性判别分析思想 | 第50-52页 |
| 4.5 分类器设计与实验结果 | 第52-58页 |
| 4.5.1 分类器的训练与测试 | 第52-53页 |
| 4.5.2 实验结果 | 第53-58页 |
| 4.6 本章小结 | 第58-59页 |
| 结论 | 第59-61页 |
| 致谢 | 第61-62页 |
| 参考文献 | 第62-66页 |
| 攻读学位期间发表的学术论文 | 第66页 |
