| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第8-15页 |
| 1.1 研究背景及意义 | 第8-10页 |
| 1.2 国内外研究现状 | 第10-12页 |
| 1.2.1 基于非计算机视觉的车型识别 | 第10-11页 |
| 1.2.2 基于计算机视觉的车型识别 | 第11-12页 |
| 1.3 本文的主要研究内容 | 第12-15页 |
| 第二章 视频图像预处理 | 第15-21页 |
| 2.1 色彩空间转换 | 第15-16页 |
| 2.2 图像去噪 | 第16-18页 |
| 2.3 图像增强 | 第18-20页 |
| 2.4 本章小结 | 第20-21页 |
| 第三章 基于视频序列的运动车辆检测 | 第21-35页 |
| 3.1 视频图像的获取 | 第21-22页 |
| 3.2 常用运动目标检测算法 | 第22-25页 |
| 3.2.1 帧间差分法 | 第22-23页 |
| 3.2.2 背景消去法 | 第23-24页 |
| 3.2.3 光流法 | 第24-25页 |
| 3.3 融合背景消去法和三帧差分法的运动车辆检测方法 | 第25-33页 |
| 3.4 车辆图像尺寸归一化 | 第33-34页 |
| 3.5 本章小结 | 第34-35页 |
| 第四章 车辆特征的提取与优化 | 第35-58页 |
| 4.1 车辆整体特征提取 | 第35-45页 |
| 4.1.1 用于整体特征提取的常用边缘检测算子 | 第35-42页 |
| 4.1.2 基于改进的Canny边缘检测的车辆整体特征提取 | 第42-45页 |
| 4.2 车辆局部特征提取与优化 | 第45-57页 |
| 4.2.1 车辆图像区域划分 | 第45-46页 |
| 4.2.2 基于Gabor变换的车辆局部特征提取 | 第46-49页 |
| 4.2.3 基于灰关联分析的局部特征优化 | 第49-57页 |
| 4.3 本章小结 | 第57-58页 |
| 第五章 基于整体特征和局部特征的车型识别 | 第58-78页 |
| 5.1 双层串行识别总体框架 | 第58-59页 |
| 5.2 基于整体特征的第一层识别 | 第59-62页 |
| 5.2.1 基于像素灰度相关性的图像欧式距离表示 | 第59-61页 |
| 5.2.2 基于像素灰度相关性图像欧氏距离的车型识别 | 第61-62页 |
| 5.3 基于局部特征的第二层识别 | 第62-72页 |
| 5.3.1 稀疏表示分类 | 第62-67页 |
| 5.3.2 基于汉明距离的稀疏表示分类 | 第67-69页 |
| 5.3.3 基于优化的Gabor特征和改进稀疏表示的车型识别 | 第69-72页 |
| 5.4 实验结果与分析 | 第72-77页 |
| 5.4.1 局部特征优化对识别率的影响 | 第72-74页 |
| 5.4.2 不同局部图像块的识别效果 | 第74页 |
| 5.4.3 稀疏表示中不同分类方法结果对比 | 第74-75页 |
| 5.4.4 本文方法与其他方法的比较 | 第75-77页 |
| 5.5 本章小结 | 第77-78页 |
| 第六章 总结与展望 | 第78-80页 |
| 6.1 本文总结 | 第78-79页 |
| 6.2 研究展望 | 第79-80页 |
| 致谢 | 第80-81页 |
| 参考文献 | 第81-85页 |
| 硕士研究生期间的学术成果 | 第85页 |
