| 摘要 | 第8-10页 |
| ABSTRACT | 第10-12页 |
| 第一章 引言 | 第13-19页 |
| 1.1 课题背景及意义 | 第13-14页 |
| 1.2 国内外现状 | 第14-16页 |
| 1.2.1 夜视技术研究现状 | 第14页 |
| 1.2.2 基于计算机视觉的车辆检测 | 第14-16页 |
| 1.3 本文主要研究内容 | 第16-17页 |
| 1.4 论文结构安排 | 第17-19页 |
| 第二章 阈值处理算法 | 第19-28页 |
| 2.1 夜间车辆检测难点分析 | 第19-20页 |
| 2.1.1 汽车试验场行驶环境 | 第19-20页 |
| 2.1.2 高速公路行驶环境 | 第20页 |
| 2.2 阈值处理算法 | 第20-25页 |
| 2.2.1 最大类间方差(Otsu)算法 | 第20-22页 |
| 2.2.2 直方图阈值法 | 第22-23页 |
| 2.2.3 迭代法 | 第23页 |
| 2.2.4 最大熵阈值算法 | 第23-24页 |
| 2.2.5 Kumar阈值算法 | 第24-25页 |
| 2.2.6 几种常用阈值算法分析 | 第25页 |
| 2.3 改进的阈值算法 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 Haar-like和Adaboost算法 | 第28-37页 |
| 3.1 Haar-like特征 | 第28-31页 |
| 3.1.1 Haar-like模板 | 第28-29页 |
| 3.1.2 积分图 | 第29-31页 |
| 3.2 Adaboost | 第31-35页 |
| 3.2.1 Boosting算法背景 | 第31-32页 |
| 3.2.2 弱分类器 | 第32-33页 |
| 3.2.3 AdaBoost算法训练强分类器 | 第33-34页 |
| 3.2.4 级联分类器 | 第34-35页 |
| 3.3 改进的训练和检测方法 | 第35-36页 |
| 3.4 本章小结 | 第36-37页 |
| 第四章 实验及分析 | 第37-58页 |
| 4.1 实验图片及实验构成 | 第37-38页 |
| 4.1.1 中国定远汽车试验场 | 第37-38页 |
| 4.1.2 OpenCV | 第38页 |
| 4.2 阈值处理实验 | 第38-46页 |
| 4.2.1 试验场图片阈值处理实验 | 第39-42页 |
| 4.2.2 高速公路图片阈值处理实验 | 第42-45页 |
| 4.2.3 阈值处理实验结果分析 | 第45-46页 |
| 4.3 训练分类器实验 | 第46-56页 |
| 4.3.1 传统训练方法 | 第46-51页 |
| 4.3.2 改进的训练方法 | 第51-54页 |
| 4.3.3 使用改进的训练方法训练丰富的样本 | 第54-55页 |
| 4.3.4 改进的检测方法与基于对称性方法对比实验 | 第55-56页 |
| 4.4 实验分析和总结 | 第56-58页 |
| 第五章 总结与展望 | 第58-60页 |
| 5.1 总结 | 第58-59页 |
| 5.2 未解决的问题和以后工作展望 | 第59-60页 |
| 参考文献 | 第60-64页 |
| 致谢 | 第64-65页 |
| 本人硕士研究生期间学术成果和参与项目 | 第65-66页 |
| 学位论文评阅及答辩情况表 | 第66页 |