基于盲源分离的车辆检测与分类技术研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 课题背景与研究意义 | 第9-10页 |
| 1.2 车辆检测与分类技术的现状 | 第10-12页 |
| 1.3 基于视频的车辆分类技术研究现状 | 第12-14页 |
| 1.4 论文内容与章节安排 | 第14-15页 |
| 第二章 盲源分离理论 | 第15-28页 |
| 2.1 盲源分离与独立成分分析 | 第15-16页 |
| 2.2 独立成分分析的起源与发展 | 第16-18页 |
| 2.3 信号模型与基本假设 | 第18-22页 |
| 2.3.1 线性瞬时混合模型 | 第19-20页 |
| 2.3.2 线性卷积混合模型 | 第20页 |
| 2.3.3 非线性混合模型 | 第20-21页 |
| 2.3.4 ICA的基本假设 | 第21-22页 |
| 2.4 独立成分分析的预处理 | 第22-23页 |
| 2.4.1 中心化 | 第22页 |
| 2.4.2 白化 | 第22-23页 |
| 2.5 ICA经典分离算法 | 第23-26页 |
| 2.5.1 基于峭度的分离算法 | 第23-24页 |
| 2.5.2 基于负熵的分离算法 | 第24-26页 |
| 2.6 本章小结 | 第26-28页 |
| 第三章 运动车辆的检测 | 第28-39页 |
| 3.1 车辆检测 | 第28-33页 |
| 3.1.1 光流法 | 第28-29页 |
| 3.1.2 混合高斯背景建模 | 第29-30页 |
| 3.1.3 背景差分法 | 第30-32页 |
| 3.1.4 帧间差分法 | 第32-33页 |
| 3.2 改进的三帧差法 | 第33-35页 |
| 3.3 形态学滤波与车辆图像区域提取 | 第35-36页 |
| 3.4 基于车距过小的车辆提取 | 第36-38页 |
| 3.5 本章小结 | 第38-39页 |
| 第四章 基于视频图像的车辆特征提取 | 第39-47页 |
| 4.1 经典的特征提取算法 | 第39-41页 |
| 4.1.1 基于PCA的特征提取 | 第39-40页 |
| 4.1.2 基于LDA的特征提取 | 第40-41页 |
| 4.2 基于ICA的特征提取方法 | 第41-43页 |
| 4.2.1 ICA1与FICA1的实现 | 第42页 |
| 4.2.2 ICA2与FICA2的实现 | 第42-43页 |
| 4.3 车辆的几何特征 | 第43-45页 |
| 4.4 二次分类方法 | 第45-46页 |
| 4.5 KNN分类器 | 第46页 |
| 4.6 本章小结 | 第46-47页 |
| 第五章 实验及结果分析 | 第47-53页 |
| 5.1 实验数据来源 | 第48页 |
| 5.2 实验数据参数设置 | 第48-49页 |
| 5.3 基于正面视角的实验结果 | 第49-50页 |
| 5.4 基于侧面视角的实验结果 | 第50-52页 |
| 5.5 本章小结 | 第52-53页 |
| 第六章 全文总结与展望 | 第53-54页 |
| 6.1 全文总结 | 第53页 |
| 6.2 后续工作展望 | 第53-54页 |
| 致谢 | 第54-55页 |
| 参考文献 | 第55-60页 |
| 攻读硕士学位期间取得的成果 | 第60-61页 |
