| 摘要 | 第1-6页 |
| Abstract | 第6-7页 |
| 目录 | 第7-9页 |
| 第1章 绪论 | 第9-15页 |
| ·选题背景及意义 | 第9-12页 |
| ·计算机视觉 | 第9页 |
| ·智能交通系统与智能车辆 | 第9-12页 |
| ·国内外发展现状 | 第12-13页 |
| ·本文主要工作 | 第13-14页 |
| ·本文章节安排 | 第14-15页 |
| 第2章 运动目标检测与识别的理论基础 | 第15-27页 |
| ·常用的运动车辆检测方法 | 第15-21页 |
| ·帧间差法 | 第15-16页 |
| ·背景差法 | 第16-17页 |
| ·光流法 | 第17-21页 |
| ·运动目标的识别的方法 | 第21-26页 |
| ·基于知识的方法(Knowledge-Based Methods) | 第21-22页 |
| ·模板匹配方法(Template Matching) | 第22-23页 |
| ·基于机器学习的方法(Appearance-Based Methods) | 第23-26页 |
| ·本章小结 | 第26-27页 |
| 第3章 光流法与帧差法相结合的后方渐近车辆检测算法 | 第27-47页 |
| ·图像校正 | 第28页 |
| ·渐近车辆检测算法 | 第28-45页 |
| ·帧差法检测运动目标 | 第30-32页 |
| ·全图检测特征点与分区检测特征点 | 第32-34页 |
| ·车辆光流与非车辆光流的判断 | 第34-36页 |
| ·误识别纠正 | 第36-45页 |
| ·车辆区域分割 | 第45页 |
| ·本章小结 | 第45-47页 |
| 第4章 基于Adaboost算法的车辆识别 | 第47-61页 |
| ·Adaboost算法的处理流程 | 第47-50页 |
| ·训练样本的选取及尺寸的确定 | 第50-52页 |
| ·类harr特征提取 | 第52-54页 |
| ·训练分类器 | 第54-57页 |
| ·弱分类器训练的过程 | 第54-55页 |
| ·形成强分类器 | 第55-56页 |
| ·训练的中止条件 | 第56-57页 |
| ·应用分类器识别车辆 | 第57-59页 |
| ·本章小结 | 第59-61页 |
| 第5章 系统设计及算法性能评价 | 第61-71页 |
| ·系统功能模块设计 | 第61-62页 |
| ·检测算法的评价指标 | 第62页 |
| ·不同条件下的算法测试效果 | 第62-68页 |
| ·第一类视频集的测试 | 第63页 |
| ·第二类视频集的测试 | 第63-64页 |
| ·第三类视频集的测试 | 第64-65页 |
| ·第四类视频集的测试 | 第65页 |
| ·第五类视频集的测试 | 第65-68页 |
| ·系统速度测试 | 第68-69页 |
| ·本章小结 | 第69-71页 |
| 第6章 总结及展望 | 第71-73页 |
| ·总结 | 第71页 |
| ·存在的问题及展望 | 第71-73页 |
| 参考文献 | 第73-79页 |
| 致谢 | 第79页 |
