基于车辆特征的车型识别方法研究
| 摘要 | 第4-5页 |
| abstract | 第5页 |
| 第1章 绪论 | 第8-10页 |
| 1.1 研究背景和意义 | 第8页 |
| 1.2 智能交通系统 | 第8页 |
| 1.3 车型识别技术的研究现状 | 第8-9页 |
| 1.4 论文的研究内容和安排 | 第9-10页 |
| 第2章 车辆的图像预处理 | 第10-16页 |
| 2.1 图像的灰度化 | 第10-13页 |
| 2.1.1 基于彩色空间距离的灰度算法 | 第10-11页 |
| 2.1.2 线性变换法 | 第11页 |
| 2.1.3 非线性变换法 | 第11页 |
| 2.1.4 本文提出的方法 | 第11-13页 |
| 2.2 感兴趣区域的选取 | 第13-15页 |
| 2.3 本章小结 | 第15-16页 |
| 第3章 目标车辆区域的选取 | 第16-34页 |
| 3.1 引言 | 第16页 |
| 3.2 视频运动目标检测的常用方法 | 第16-19页 |
| 3.2.1 背景差分法 | 第16-17页 |
| 3.2.2 帧间差分法 | 第17-18页 |
| 3.2.3 光流法 | 第18-19页 |
| 3.3 基于光流场的运动车辆提取方法 | 第19-24页 |
| 3.4 光流场的稀疏运算 | 第24-31页 |
| 3.4.1 基于角点的特征点检测 | 第24-28页 |
| 3.4.2 稀疏光流金字塔方法 | 第28-31页 |
| 3.5 光流聚类与目标区域的选取 | 第31-33页 |
| 3.6 本章小结 | 第33-34页 |
| 第4章 基于卷积神经网络的车型检索 | 第34-51页 |
| 4.0 基于内容的图像检索 | 第34-35页 |
| 4.1 当前车辆检索的方法 | 第35-36页 |
| 4.2 人工神经网络 | 第36-37页 |
| 4.3 前馈神经网络 | 第37-39页 |
| 4.4 卷积神经网络 | 第39-43页 |
| 4.4.1 CNN网络结构 | 第39-42页 |
| 4.4.2 CNN结构的特点 | 第42-43页 |
| 4.5 本文选取的网络结构 | 第43-45页 |
| 4.6 车型图像数据库的建立 | 第45-46页 |
| 4.7 车型图像的相似性度量 | 第46-48页 |
| 4.8 车型的识别方案 | 第48-49页 |
| 4.9 试验结果与分析 | 第49-50页 |
| 4.10 本章小结 | 第50-51页 |
| 第5章 结论与展望 | 第51-52页 |
| 5.1 总结 | 第51页 |
| 5.2 展望 | 第51-52页 |
| 参考文献 | 第52-56页 |
| 致谢 | 第56-57页 |
| 申请学位期间的研究成果及发表的学术论文 | 第57页 |
