基于车辆正面图像的车型特征提取方法研究
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 课题的研究背景和意义 | 第11-12页 |
| 1.1.1 课题的研究背景 | 第11页 |
| 1.1.2 课题的研究意义 | 第11-12页 |
| 1.2 车辆正面图像的特征提取的国内外研究概况 | 第12-15页 |
| 1.2.1 国内研究概况 | 第12-14页 |
| 1.2.2 国外研究概况 | 第14-15页 |
| 1.3 本文主要研究内容 | 第15页 |
| 1.4 章节安排 | 第15-17页 |
| 第2章 图像预处理与与定位车脸重要信息技术 | 第17-33页 |
| 2.1 图像预处理技术研究 | 第17-22页 |
| 2.1.1 图像灰度化 | 第18-19页 |
| 2.1.2 图像平滑 | 第19-20页 |
| 2.1.3 图像增强 | 第20-21页 |
| 2.1.4 图像二值化 | 第21页 |
| 2.1.5 形态学处理 | 第21-22页 |
| 2.2 车脸的结构特征分析 | 第22-24页 |
| 2.2.1 车牌区域图像特征 | 第22页 |
| 2.2.2 车灯区域图像特征 | 第22页 |
| 2.2.3 车灯区域图像特征 | 第22页 |
| 2.2.4 车脸图像特征提取框架 | 第22-24页 |
| 2.3 车脸重要信息提取技术 | 第24-32页 |
| 2.3.1 车牌定位技术 | 第24-26页 |
| 2.3.2 车脸提取技术 | 第26-27页 |
| 2.3.3 车标提取技术 | 第27-28页 |
| 2.3.4 车灯提取技术 | 第28-29页 |
| 2.3.5 车辆自动识别系统的开发 | 第29-32页 |
| 2.4 本章小结 | 第32-33页 |
| 第3章 图像的特征提取算法研究 | 第33-48页 |
| 3.1 图像特征概述 | 第33-37页 |
| 3.1.1 图像颜色特征 | 第33页 |
| 3.1.2 图像纹理特征 | 第33-37页 |
| 3.1.3 图像形状特征 | 第37页 |
| 3.1.4 形状轮廓矩特征 | 第37页 |
| 3.2 图像矩特征 | 第37-42页 |
| 3.2.1 HU不变矩的定义 | 第37-38页 |
| 3.2.2 各阶HU不变矩的含义 | 第38-40页 |
| 3.2.3 HU不变矩和图像的变换 | 第40-41页 |
| 3.2.4 矩不变量 | 第41-42页 |
| 3.3 HU不变矩标准化 | 第42-43页 |
| 3.3.1 HU矩的修正算法 | 第42页 |
| 3.3.2 HU矩的标准化 | 第42-43页 |
| 3.4 实验结果与分析 | 第43-47页 |
| 3.5 本章小结 | 第47-48页 |
| 第4章 人工神经网络理论 | 第48-70页 |
| 4.1 人工神经网络概论 | 第48-55页 |
| 4.1.1 人工神经网络特征 | 第48-49页 |
| 4.1.2 人工神经网络模型 | 第49-51页 |
| 4.1.3 人工神经网络的分类 | 第51-53页 |
| 4.1.4 人工神经网络的学习规则 | 第53-55页 |
| 4.2 BP神经网络 | 第55-58页 |
| 4.2.1 BP神经网络 | 第55-56页 |
| 4.2.2 BP算法 | 第56-58页 |
| 4.2.3 BP算法的不足 | 第58页 |
| 4.3 RBF神经网络 | 第58-64页 |
| 4.3.1 RBF神经网络 | 第58-60页 |
| 4.3.2 RBF神经网络的学习算法 | 第60-62页 |
| 4.3.3 遗传算法 | 第62-64页 |
| 4.4 RBF网络与BP网络比较 | 第64-65页 |
| 4.5 实验结果与分析 | 第65-69页 |
| 4.6 本章小结 | 第69-70页 |
| 第5章 工作总结与展望 | 第70-72页 |
| 5.1 论文以及研究工作总结 | 第70页 |
| 5.2 展望 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第76-77页 |
| 致谢 | 第77-78页 |
| 附录一 | 第78-79页 |
