| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状及分析 | 第10-12页 |
| 1.2.1 国外研究现状 | 第10-11页 |
| 1.2.2 国内研究现状 | 第11-12页 |
| 1.3 本文主要工作 | 第12-13页 |
| 1.4 本文的结构 | 第13-14页 |
| 第2章 视频图像背景建模 | 第14-23页 |
| 2.1 视频背景建模 | 第14-22页 |
| 2.1.1 背景建模简述 | 第14-16页 |
| 2.1.2 鲁棒主成分分析背景建模算法 | 第16-18页 |
| 2.1.3 混合高斯背景建模算法 | 第18-20页 |
| 2.1.4 改进的Vi Be背景建模算法 | 第20-22页 |
| 2.2 本章小结 | 第22-23页 |
| 第3章 车辆图像特征编码与识别算法 | 第23-41页 |
| 3.1 车辆图像特征提取 | 第23-26页 |
| 3.1.1 SIFT特征提取算法简述 | 第23-24页 |
| 3.1.2 词袋算法模型 | 第24-26页 |
| 3.2 车辆图像特征编码 | 第26-34页 |
| 3.2.1 空间金字塔匹配算法 | 第26-27页 |
| 3.2.2 稀疏编码线性空间金字塔匹配算法 | 第27-29页 |
| 3.2.3 融合改进的特征编码算法 | 第29-34页 |
| 3.3 车辆图像识别算法 | 第34-40页 |
| 3.3.1 具有Fisher判别特性的稀疏字典学习 | 第34-36页 |
| 3.3.2 卷积神经网络模型（CNN） | 第36-37页 |
| 3.3.3 特征编码与CNN融合的车型识别算法 | 第37-40页 |
| 3.4 本章小结 | 第40-41页 |
| 第4章 车型识别系统实现与实验结果分析 | 第41-56页 |
| 4.1 实验环境与数据集及算法评价标准 | 第41-42页 |
| 4.2 改进的ViBe背景建模相关实验 | 第42-43页 |
| 4.3 粗粒度的车型识别实验 | 第43-47页 |
| 4.3.1 相关算法实验参数设置 | 第43-44页 |
| 4.3.2 实验对比结果 | 第44-46页 |
| 4.3.3 卷积神经网络收敛性对比实验 | 第46-47页 |
| 4.4 细粒度车型识别实验 | 第47-49页 |
| 4.5 系统设计实现及结果展示 | 第49-54页 |
| 4.5.1 系统实现流程 | 第49-51页 |
| 4.5.2 系统主要模块程序设计实现 | 第51-53页 |
| 4.5.3 系统运行结果展示 | 第53-54页 |
| 4.6 本章小结 | 第54-56页 |
| 结论 | 第56-57页 |
| 参考文献 | 第57-63页 |
| 致谢 | 第63页 |