| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景与研究意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 基于视频的车辆检测方法综述 | 第10-12页 |
| 1.2.2 基于视频的车辆检测技术研究现状 | 第12-13页 |
| 1.3 本文主要内容及工作安排 | 第13-15页 |
| 第二章 设计逆投影面与构建逆投影图 | 第15-27页 |
| 2.1 成像模型 | 第15-17页 |
| 2.1.1 透镜成像模型 | 第15页 |
| 2.1.2 小孔成像模型 | 第15-16页 |
| 2.1.3 单目摄像机线性模型 | 第16-17页 |
| 2.2 场景标定 | 第17-19页 |
| 2.2.1 标定方法概述 | 第17-18页 |
| 2.2.2 直接线性变换法 | 第18-19页 |
| 2.3 逆投影 | 第19-25页 |
| 2.3.1 设计逆投影面 | 第20-22页 |
| 2.3.2 构建逆投影图及实验 | 第22-25页 |
| 2.3.3 逆投影图的特性 | 第25页 |
| 2.4 本章小结 | 第25-27页 |
| 第三章 车辆的部件空间关系及局部特征 | 第27-37页 |
| 3.1 车辆局部特征分析 | 第27-30页 |
| 3.2 车头灯样本数据分析 | 第30-31页 |
| 3.3 车尾灯与车牌样本数据分析 | 第31页 |
| 3.4 高斯混合模型 | 第31-34页 |
| 3.4.1 单高斯模型 | 第31-32页 |
| 3.4.2 高斯混合模型 | 第32-33页 |
| 3.4.3 EM求解GMM参数 | 第33-34页 |
| 3.5 本章小结 | 第34-37页 |
| 第四章 夜间场景车辆检测算法 | 第37-51页 |
| 4.1 基于车头灯对空间关系模型的车辆检测方法 | 第37-42页 |
| 4.1.1 车头灯的空间关系模型 | 第37-38页 |
| 4.1.2 车灯对的检测 | 第38-40页 |
| 4.1.3 夜间车辆检测 | 第40页 |
| 4.1.4 实验分析及存在的问题 | 第40-42页 |
| 4.2 基于AdaBoost分类的车辆检测方法 | 第42-49页 |
| 4.2.1 AdaBoost分类原理 | 第43-46页 |
| 4.2.2 LBP纹理特征原理 | 第46-47页 |
| 4.2.3 学习基于车头灯部件的强分类器 | 第47-48页 |
| 4.2.4 实验分析 | 第48-49页 |
| 4.3 本章小结 | 第49-51页 |
| 第五章 白天场景车辆检测算法 | 第51-69页 |
| 5.1 基于车尾灯和车牌空间关系模型的车辆检测方法 | 第51-60页 |
| 5.1.1 车尾灯和车牌空间关系模型 | 第51-53页 |
| 5.1.2 车尾灯和车牌部件的检测 | 第53-58页 |
| 5.1.3 基于MRF的车辆检测 | 第58-59页 |
| 5.1.4 实验分析及存在的问题 | 第59-60页 |
| 5.2 基于Symmetrical SURF和阴影特征的车辆检测方法 | 第60-67页 |
| 5.2.1 Symmetrical SURF算法原理 | 第61-64页 |
| 5.2.2 车辆阴影特征检测 | 第64页 |
| 5.2.3 融合 Symmetrical SURF 与阴影特征的车辆检测 | 第64-66页 |
| 5.2.4 实验分析 | 第66-67页 |
| 5.3 本章小结 | 第67-69页 |
| 总结与展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 攻读学位期间取得的研究成果 | 第75-76页 |
| 致谢 | 第76页 |
