基于字典学习的车辆重识别技术研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-24页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 车辆重识别研究现状 | 第11-15页 |
| 1.2.1 重识别研究现状 | 第11-14页 |
| 1.2.2 车辆重识别研究现状 | 第14页 |
| 1.2.3 车辆重识别面临的主要问题 | 第14-15页 |
| 1.3 字典学习理论 | 第15-22页 |
| 1.3.1 字典学习理论基础 | 第15-17页 |
| 1.3.2 字典学习算法 | 第17-20页 |
| 1.3.3 字典学习在图像分类上的应用 | 第20-22页 |
| 1.4 主要研究工作 | 第22页 |
| 1.5 论文章节安排 | 第22-24页 |
| 第二章 车辆重识别中的特征提取 | 第24-42页 |
| 2.1 Retinex算法原理 | 第24-26页 |
| 2.2 车辆颜色特征 | 第26-29页 |
| 2.2.1 RGB颜色空间 | 第26-27页 |
| 2.2.2 HSV颜色空间 | 第27-28页 |
| 2.2.3 CMYK颜色模型 | 第28-29页 |
| 2.3 车辆纹理特征 | 第29-34页 |
| 2.3.1 Gabor小波纹理 | 第30-31页 |
| 2.3.2 LBP纹理特征 | 第31-34页 |
| 2.4 特征降维 | 第34-38页 |
| 2.5 本文的特征提取方法 | 第38-41页 |
| 2.6 小结 | 第41-42页 |
| 第三章 基于耦合字典学习的车辆重识别 | 第42-50页 |
| 3.1 传统耦合字典学习方法 | 第42-45页 |
| 3.2 改进的LSCDL字典学习模型 | 第45-47页 |
| 3.2.1 映射矩阵 | 第46页 |
| 3.2.2 训练样本标签的设置 | 第46-47页 |
| 3.2.3 字典学习模型 | 第47页 |
| 3.3 字典模型的求解 | 第47-48页 |
| 3.4 样本的匹配模型 | 第48-49页 |
| 3.5 小结 | 第49-50页 |
| 第四章 实验结果与分析 | 第50-58页 |
| 4.1 车辆重识别数据集的建立 | 第50-51页 |
| 4.2 性能评价标准 | 第51页 |
| 4.3 实验分析 | 第51-57页 |
| 4.3.1 实验环境 | 第52页 |
| 4.3.2 实验设计 | 第52-53页 |
| 4.3.3 车辆前脸数据集实验结果分析 | 第53-54页 |
| 4.3.4 视角变化的数据集实验结果分析 | 第54页 |
| 4.3.5 光照变化的数据集实验结果分析 | 第54-55页 |
| 4.3.6 GRID行人重识别数据集实验结果分析 | 第55-57页 |
| 4.4 小结 | 第57-58页 |
| 第五章 结论与展望 | 第58-60页 |
| 5.1 总结 | 第58-59页 |
| 5.2 展望 | 第59-60页 |
| 致谢 | 第60-62页 |
| 参考文献 | 第62-66页 |
| 附录 攻读硕士学位期间发表论文、软著及项目实践 | 第66页 |
