乘员类型的自动识别及其在智能乘员约束系统中的应用
| 提要 | 第1-8页 |
| 第一章 绪论 | 第8-21页 |
| ·传统乘员约束系统 | 第8-10页 |
| ·安全气囊 | 第8-10页 |
| ·传统乘员约束系统的弊端 | 第10页 |
| ·智能乘员约束系统的研究现状 | 第10-15页 |
| ·国外研制开发的智能乘员约束系统 | 第10-13页 |
| ·几种常用的乘员类型识别技术 | 第13-14页 |
| ·乘员类型划分 | 第14-15页 |
| ·计算机视觉技术在乘员类型识别中的应用 | 第15-19页 |
| ·计算机视觉 | 第16页 |
| ·计算机视觉技术的基本方法 | 第16-18页 |
| ·基于计算机视觉技术的乘员检测方法 | 第18-19页 |
| ·本文的工作 | 第19-21页 |
| ·本文的技术路线 | 第19页 |
| ·本文的组织结构 | 第19-21页 |
| 第二章 智能模式识别的理论基础 | 第21-32页 |
| ·引言 | 第21页 |
| ·模式识别的定义和任务 | 第21-23页 |
| ·模式识别的定义 | 第21-22页 |
| ·一般模式识别任务的实现过程 | 第22-23页 |
| ·模式识别的部分主要研究方法 | 第23-31页 |
| ·统计模式识别 | 第23页 |
| ·聚类分析 | 第23-27页 |
| ·模糊模式识别 | 第27-28页 |
| ·神经网络 | 第28-29页 |
| ·结构模式识别 | 第29页 |
| ·支持向量机 | 第29-31页 |
| ·小结 | 第31-32页 |
| 第三章 基于图像边缘检测的乘员轮廓信息提取 | 第32-54页 |
| ·引言 | 第32页 |
| ·实验测试系统搭建 | 第32-34页 |
| ·乘员图像采集设备的选择 | 第33页 |
| ·摄像机的安装 | 第33-34页 |
| ·乘员彩色图像预处理 | 第34-41页 |
| ·彩色图像的灰度化 | 第34-35页 |
| ·图像平滑处理 | 第35-41页 |
| ·图像边缘检测 | 第41-48页 |
| ·一阶微分算子 | 第42-45页 |
| ·二阶微分算子 | 第45-47页 |
| ·Canny 算子 | 第47-48页 |
| ·乘员轮廓信息提取 | 第48-53页 |
| ·小结 | 第53-54页 |
| 第四章 乘员特征空间提取和选择 | 第54-76页 |
| ·引言 | 第54-55页 |
| ·基于Legendre 矩的特征提取 | 第55-60页 |
| ·矩介绍 | 第56-57页 |
| ·Legendre 矩介绍 | 第57-58页 |
| ·基于Legendre 矩的特征提取结果 | 第58-60页 |
| ·基于RDRK 的特征选择 | 第60-75页 |
| ·特征选择准则 | 第61-62页 |
| ·特征选择的基本方法 | 第62-64页 |
| ·一个新的特征选择方法RDRK | 第64-71页 |
| ·基于RDRK 算法的特征选择结果 | 第71-75页 |
| ·小结 | 第75-76页 |
| 第五章 乘员类型的几种模式分类器设计 | 第76-102页 |
| ·分类方法介绍 | 第76页 |
| ·基于新模糊C 均值方法的研究 | 第76-88页 |
| ·新模糊C 均值（NFCM）方法 | 第77-81页 |
| ·NFCM1 分类器的分类结果 | 第81-85页 |
| ·NFCM2 分类器的分类结果 | 第85-88页 |
| ·基于BP 神经网络的研究 | 第88-91页 |
| ·BP 神经网络简介 | 第88-90页 |
| ·具体BP 神经网络训练过程 | 第90-91页 |
| ·BP 神经网络分类器的分类结果 | 第91页 |
| ·基于KNN 方法的研究 | 第91-101页 |
| ·传统KNN | 第91-92页 |
| ·均值KNN | 第92-93页 |
| ·传统KNN 分类器的分类结果 | 第93-97页 |
| ·均值KNN 分类器的分类结果 | 第97-101页 |
| ·小结 | 第101-102页 |
| 第六章 结论与展望 | 第102-104页 |
| ·本文的主要贡献 | 第102-103页 |
| ·下一步工作 | 第103-104页 |
| 参考文献 | 第104-114页 |
| 博士期间完成的论文和科研项目情况 | 第114-116页 |
| 致谢 | 第116-117页 |
| 摘要 | 第117-120页 |
| Abstract | 第120-123页 |
