| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 相关领域的研究现状 | 第12-14页 |
| 1.3 安全带识别研究综述 | 第14-15页 |
| 1.3.1 安全带自动识别技术难点 | 第14页 |
| 1.3.2 安全带自动识别系统设计思路 | 第14-15页 |
| 1.4 本论文主要研究的内容及结构 | 第15-16页 |
| 第2章 数字图像处理理论基础 | 第16-34页 |
| 2.1 图像分割 | 第16-17页 |
| 2.1.1 基于阈值的分割方法 | 第17页 |
| 2.1.2 基于边缘的分割方法 | 第17页 |
| 2.2 图像二值化 | 第17-21页 |
| 2.2.1 最大类间方差法（Otsu法） | 第18-19页 |
| 2.2.2 一维交叉熵值法 | 第19-21页 |
| 2.3 数学形态学 | 第21-25页 |
| 2.3.1 二值形态学 | 第22页 |
| 2.3.2 灰度数学形态学 | 第22-23页 |
| 2.3.3 模糊数学形态学 | 第23页 |
| 2.3.4 数学形态学的主要应用 | 第23-25页 |
| 2.4 图像边缘检测 | 第25-30页 |
| 2.4.1 Roberts边缘算子 | 第25-26页 |
| 2.4.2 Sobel算子 | 第26-27页 |
| 2.4.3 Prewitt算子 | 第27-28页 |
| 2.4.4 Canny算子 | 第28-30页 |
| 2.5 霍夫变换（Hough变换） | 第30-33页 |
| 2.5.1 直线检测算法 | 第31-33页 |
| 2.5.2 圆检测算法 | 第33页 |
| 2.6 本章小结 | 第33-34页 |
| 第3章 车牌定位和司机定位 | 第34-50页 |
| 3.1 车牌定位的算法简介 | 第34-36页 |
| 3.1.1 车牌类型和特征 | 第34-35页 |
| 3.1.2 现有的车牌定位算法的优缺点 | 第35-36页 |
| 3.2 图像预处理 | 第36-43页 |
| 3.2.1 灰度化和二值化 | 第36-40页 |
| 3.2.2 形态学闭操作和字符轮廓和外接矩形的检测 | 第40-42页 |
| 3.2.3 字符外接矩形的聚类 | 第42-43页 |
| 3.3 车窗的定位 | 第43-46页 |
| 3.4 司机人脸的定位 | 第46-48页 |
| 3.5 实验结果与分析 | 第48-49页 |
| 3.6 本章小结 | 第49-50页 |
| 第4章 安全带检测 | 第50-62页 |
| 4.1 检测前的预处理 | 第50-55页 |
| 4.1.1 直方图均衡化 | 第50-51页 |
| 4.1.2 高斯平滑滤波 | 第51-53页 |
| 4.1.3 Canny边缘检测和以方向盘为参考的二次检测 | 第53-55页 |
| 4.2 利用最小二乘法和概率hough变换相结合进行安全带检测 | 第55-60页 |
| 4.2.1 概率hough变换 | 第55-56页 |
| 4.2.2 最小二乘法 | 第56-58页 |
| 4.2.3 最小二乘法与概率hough变换的结合 | 第58-60页 |
| 4.3 特征向量的构造 | 第60页 |
| 4.4 实验结果与分析 | 第60-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第5章 SVM的训练和安全带识别 | 第62-71页 |
| 5.1 SVM介绍 | 第62页 |
| 5.2 SVM的常用方法 | 第62-69页 |
| 5.2.1 线性情况 | 第62-66页 |
| 5.2.2 非线性情况 | 第66-67页 |
| 5.2.3 核函数及参数的选择 | 第67-68页 |
| 5.2.4 支持向量机训练过程 | 第68-69页 |
| 5.3 SVM的训练和识别 | 第69页 |
| 5.4 实验结果与分析 | 第69-70页 |
| 5.5 本章小结 | 第70-71页 |
| 结论 | 第71-73页 |
| 参考文献 | 第73-77页 |
| 攻读硕士学位期间发表的论文和获得的科研成果 | 第77-78页 |
| 致谢 | 第78-79页 |
