基于机器学习的车辆颜色识别方案的研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景 | 第11-12页 |
| 1.2 研究现状 | 第12-14页 |
| 1.2.1 光照预处理 | 第12-13页 |
| 1.2.2 车辆颜色识别 | 第13-14页 |
| 1.2.3 关键帧提取 | 第14页 |
| 1.3 论文主要工作 | 第14-15页 |
| 1.4 论文的结构 | 第15-17页 |
| 第二章 基础知识 | 第17-23页 |
| 2.1 颜色空间 | 第17-19页 |
| 2.1.1 rg颜色空间 | 第17页 |
| 2.1.2 HSV颜色空间 | 第17-18页 |
| 2.1.3 Opponent颜色空间 | 第18-19页 |
| 2.2 目标检测技术 | 第19-21页 |
| 2.2.1 光流法 | 第19页 |
| 2.2.2 帧间差分法 | 第19-20页 |
| 2.2.3 背景消除法 | 第20-21页 |
| 2.3 背景建模 | 第21-23页 |
| 第三章 车辆颜色识别中的光照预处理方法 | 第23-33页 |
| 3.1 问题提出 | 第23页 |
| 3.2 相关工作 | 第23-24页 |
| 3.2.1 直方图均衡化 | 第23-24页 |
| 3.2.2 局部对比度增强 | 第24页 |
| 3.2.3 同态滤波 | 第24页 |
| 3.3 改进的光照预处理方法 | 第24-27页 |
| 3.3.1 改进的直方图均衡化方法 | 第24-25页 |
| 3.3.2 改进的局部对比度增强方法 | 第25页 |
| 3.3.3 改进的同态滤波方法 | 第25-27页 |
| 3.4 实验 | 第27-31页 |
| 3.4.1 实验数据集 | 第27页 |
| 3.4.2 实验结果分析 | 第27-31页 |
| 3.5 本章小结 | 第31-33页 |
| 第四章 基于深度残差网络的车辆颜色识别方法 | 第33-43页 |
| 4.1 问题提出 | 第33-34页 |
| 4.2 相关工作 | 第34-35页 |
| 4.2.1 上下文特征 | 第34页 |
| 4.2.2 卷积神经网络 | 第34-35页 |
| 4.3. 基于深度残差网络的车辆颜色识别 | 第35-38页 |
| 4.3.1 残差学习 | 第35-36页 |
| 4.3.2 基于残差网络的车辆颜色识别模型 | 第36-38页 |
| 4.4 实验 | 第38-41页 |
| 4.4.1 实验环境及数据集 | 第38-39页 |
| 4.4.2 试验结果与分析 | 第39-41页 |
| 4.5 本章小结 | 第41-43页 |
| 第五章 基于互信息量聚类的监控视频关键帧的提取 | 第43-55页 |
| 5.1 问题提出 | 第43页 |
| 5.2 相关工作 | 第43-44页 |
| 5.3 基于互信息量聚类的关键帧提取算法 | 第44-48页 |
| 5.3.1 自信息量 | 第44页 |
| 5.3.2 信息熵 | 第44-45页 |
| 5.3.3 互信息量的计算 | 第45页 |
| 5.3.4 互信息量在图像中的应用 | 第45-46页 |
| 5.3.5 关键帧提取算法 | 第46-48页 |
| 5.4 实验 | 第48-53页 |
| 5.4.1 实验数据集 | 第48-49页 |
| 5.4.2 实验结果与分析 | 第49-53页 |
| 5.5 本章小结 | 第53-55页 |
| 第六章 本文工作总结及展望 | 第55-57页 |
| 6.1 工作总结 | 第55页 |
| 6.2 展望 | 第55-57页 |
| 参考文献 | 第57-63页 |
| 致谢 | 第63-65页 |
| 攻读学位期间发表的学术论文 | 第65页 |
