BP神经网络与HOG特征提取相结合的车辆识别技术在无线设备下的应用
| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 关于车型识别 | 第11-12页 |
| 1.1.1 车型识别的研究背景 | 第11页 |
| 1.1.2 车型识别的意义 | 第11-12页 |
| 1.2 车型识别的概况 | 第12-15页 |
| 1.2.1 车型识别的发展现状 | 第12-14页 |
| 1.2.2 车型识别的研究方法 | 第14-15页 |
| 1.3 论文的主要内容和结构 | 第15-18页 |
| 1.3.1 论文主要内容 | 第15-16页 |
| 1.3.2 论文的结构 | 第16-18页 |
| 第2章 关键技术 | 第18-28页 |
| 2.1 Android 系统的开发平台 | 第18-23页 |
| 2.1.1 Android 系统架构 | 第18-20页 |
| 2.1.2 Android 开发环境搭建 | 第20-23页 |
| 2.2 Android 手机的图像捕获 | 第23-28页 |
| 2.2.1 通过 Camera 类直接捕获摄像头 | 第23-25页 |
| 2.2.2 调用系统相机捕获图像 | 第25-26页 |
| 2.2.3 图像捕获实例 | 第26-28页 |
| 第3章 车标识别 | 第28-39页 |
| 3.1 车标特征描述子的构造 | 第28-32页 |
| 3.1.1 特征描述子构造原则 | 第28-29页 |
| 3.1.2 基于 SIFT 算法的车标特征提取 | 第29-32页 |
| 3.2 基于神经网络的车标识别 | 第32-35页 |
| 3.2.1 BP 神经网络简介 | 第32-33页 |
| 3.2.2 BP 神经网络车标识别 | 第33-34页 |
| 3.2.3 BP 神经网络结构和设计 | 第34-35页 |
| 3.3 实验结果及分析 | 第35-39页 |
| 3.3.1 车标识别结果 | 第35-37页 |
| 3.3.2 实验结果分析 | 第37-39页 |
| 第4章 车型识别 | 第39-51页 |
| 4.1 车型模型的总体设计 | 第39-41页 |
| 4.1.1 形状特征 | 第39-40页 |
| 4.1.2 纹理特征 | 第40-41页 |
| 4.2 多尺度 HOG 特征提取 | 第41-45页 |
| 4.2.1 HOG 特征提取 | 第41-44页 |
| 4.2.2 车型识别的特征提取 | 第44-45页 |
| 4.3 SVM 模型训练 | 第45-48页 |
| 4.3.1 SVM 支持向量机 | 第45-46页 |
| 4.3.2 构建 SVM 行为模型 | 第46-48页 |
| 4.3.3 用 SVM 训练车型图像样本集 | 第48页 |
| 4.4 实验结果与分析 | 第48-51页 |
| 第5章 Android 系统下的设计结构 | 第51-58页 |
| 5.1 系统的总体实现 | 第51-54页 |
| 5.1.1 系统设计过程 | 第51-52页 |
| 5.1.2 配置实验环境 | 第52-54页 |
| 5.2 识别系统算法的移植 | 第54-56页 |
| 5.3 系统的实验结果和分析 | 第56-58页 |
| 第6章 总结与展望 | 第58-60页 |
| 6.1 工作总结 | 第58-59页 |
| 6.2 工作展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64页 |
