| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-17页 |
| 1.1 论文研究的背景与意义 | 第11-12页 |
| 1.2 研究现状 | 第12-15页 |
| 1.2.1 车型分类技术的研究现状 | 第12-13页 |
| 1.2.2 视频监控系统下车型分类的研究现状 | 第13-15页 |
| 1.3 本文主要研究内容与组织结构 | 第15-17页 |
| 1.3.1 论文研究内容 | 第15页 |
| 1.3.2 论文组织结构 | 第15-17页 |
| 第2章 车辆矩特征提取 | 第17-27页 |
| 2.1 图像特征介绍 | 第17-21页 |
| 2.1.1 图像Hu矩特征 | 第18-20页 |
| 2.1.2 图像纹理特征 | 第20-21页 |
| 2.2 图像特征提取的原则 | 第21页 |
| 2.3 特征的评价标准 | 第21-22页 |
| 2.4 Hu矩用于车型分类可行性研究 | 第22-25页 |
| 2.4.1 Hu矩在车型分类中的应用 | 第22-24页 |
| 2.4.2 Hu矩的快速算法——截线段法 | 第24-25页 |
| 2.4.3 快速Hu矩算法用于车型分类可行性研究 | 第25页 |
| 2.5 基于矩特征车型分类性能测试 | 第25-26页 |
| 2.6 本章小结 | 第26-27页 |
| 第3章 车辆纹理特征提取 | 第27-45页 |
| 3.1 传统LBP算法研究 | 第27-29页 |
| 3.1.1 LBP算法原理 | 第27-29页 |
| 3.1.2 基于传统LBP的车辆纹理特征提取 | 第29页 |
| 3.2 传统LBP在车型分类中的应用 | 第29-30页 |
| 3.3 改进LBP算法对车辆颜色特征提取 | 第30-38页 |
| 3.3.1 基于颜色角度模型的车辆LBP特征提取 | 第32-37页 |
| 3.3.2 加入颜色角度模型的LBP性能测试 | 第37-38页 |
| 3.4 改进LBP算法对车辆空间关系特征提取 | 第38-43页 |
| 3.4.1 对数极坐标映射 | 第40-41页 |
| 3.4.2 基于分区模型LBP车辆特征提取 | 第41-42页 |
| 3.4.3 改进LBP算法在车辆特征提取性能分析 | 第42-43页 |
| 3.5 本章小结 | 第43-45页 |
| 第4章 基于SVM的车型分类 | 第45-61页 |
| 4.1 图像分类的相关概念 | 第45-48页 |
| 4.1.1 分类识别概述 | 第45-47页 |
| 4.1.2 分类识别的描述 | 第47-48页 |
| 4.2 人工神经网络 | 第48-49页 |
| 4.2.1 反向传播(BP,back propogation)算法 | 第48-49页 |
| 4.2.2 BP算法在车型分类中的缺陷 | 第49页 |
| 4.3 支持向量机 | 第49-56页 |
| 4.3.1 线性可分的SVM | 第50-54页 |
| 4.3.2 非线性可分的C-SVM | 第54-55页 |
| 4.3.3 需要核函数映的SVM | 第55-56页 |
| 4.4 SVM在车型分类中的应用 | 第56-58页 |
| 4.4.1 多类SVM | 第56-57页 |
| 4.4.2 BP算法与SVM在车型分类中的比较 | 第57-58页 |
| 4.5 基于SVM车型分类的改进 | 第58-60页 |
| 4.6 本章小结 | 第60-61页 |
| 第5章 基于SVM车型分类实验及分析 | 第61-73页 |
| 5.1 车型分类流程 | 第61-62页 |
| 5.2 车型分类实验的过程 | 第62-67页 |
| 5.2.1 车型分类预处理 | 第63-65页 |
| 5.2.2 二分器的构造及结果分析 | 第65-67页 |
| 5.2.3 构建车型分类SVM分类器 | 第67页 |
| 5.3 实验结果及分析 | 第67-71页 |
| 5.3.1 学习训练 | 第68页 |
| 5.3.2 分类识别 | 第68-69页 |
| 5.3.3 分类测试 | 第69-71页 |
| 5.4 本章小结 | 第71-73页 |
| 第6章 总结与展望 | 第73-75页 |
| 6.1 论文总结 | 第73页 |
| 6.2 展望 | 第73-75页 |
| 参考文献 | 第75-79页 |
| 致谢 | 第79页 |