| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-13页 |
| 1.1 课题研究的背景和意义 | 第8-9页 |
| 1.2 车辆分类系统的发展现状 | 第9-11页 |
| 1.2.1 基于形状模型的车辆分类方法 | 第9-10页 |
| 1.2.2 基于车辆外观的车辆分类方法 | 第10-11页 |
| 1.3 主要工作 | 第11-12页 |
| 1.4 小结 | 第12-13页 |
| 2 车辆检测理论 | 第13-18页 |
| 2.1 基于边缘的车辆区域检测方法 | 第13页 |
| 2.2 基于车辆纹理及支持向量机(SVM)的检测方法 | 第13-14页 |
| 2.3 基于Gabor特征及支持向量机(SVM)的检测方法 | 第14页 |
| 2.4 基于车牌定位的车辆区域检测方法 | 第14-17页 |
| 2.4.1 车牌说明 | 第14-15页 |
| 2.4.2 经典定位算法 | 第15-16页 |
| 2.4.3 基于Sobel算子的车牌定位算法 | 第16-17页 |
| 2.5 本章小结 | 第17-18页 |
| 3 车辆感兴趣区域定位及车辆图像采集 | 第18-30页 |
| 3.1 基于对称特征的车辆检测方法 | 第19-22页 |
| 3.2 感兴趣区域(ROI)定位 | 第22-23页 |
| 3.3 车辆图像数据库 | 第23-29页 |
| 3.3.1 数据库模型 | 第24页 |
| 3.3.2 数据库表格构建 | 第24-28页 |
| 3.3.3 数据库表格关系 | 第28-29页 |
| 3.4 本章小结 | 第29-30页 |
| 4 车辆图像的分类方法-PCA NET | 第30-37页 |
| 4.1 PAC-NET的结构分析 | 第30-34页 |
| 4.1.1 PCA第一阶段主成分分析 | 第30-31页 |
| 4.1.2 PCA第二阶段 | 第31-32页 |
| 4.1.3 输出层：哈希和直方图 | 第32-33页 |
| 4.1.4 PCA-NET与“卷积神经网络”的比较 | 第33-34页 |
| 4.2 PCA-NET算法复杂度分析 | 第34-35页 |
| 4.3 Rand-NET和LDA-NET | 第35-36页 |
| 4.4 本章小结 | 第36-37页 |
| 5 数值实验与结果 | 第37-46页 |
| 5.1 实验的软硬件平台 | 第37-38页 |
| 5.2 汽车品牌分类实验 | 第38-40页 |
| 5.3 感兴趣区域(ROI)提取实验 | 第40-41页 |
| 5.4 PCA-NET特征提取及支持向量机分类实验 | 第41-45页 |
| 5.4.1 角度对分类精度的影响 | 第41-42页 |
| 5.4.2 遮挡对分类精度的影响 | 第42-44页 |
| 5.4.3 光线对分类精度的影响 | 第44-45页 |
| 5.5 本章小结 | 第45-46页 |
| 结论 | 第46-47页 |
| 参考文献 | 第47-50页 |
| 附录A 数据库中部分车型 | 第50-53页 |
| 致谢 | 第53-54页 |
