| 摘要 | 第7-9页 |
| ABSTRACT | 第9-10页 |
| 1 绪论 | 第12-18页 |
| 1.1 研究背景与意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-16页 |
| 1.2.1 应用研究现状 | 第13页 |
| 1.2.2 方法研究现状 | 第13-16页 |
| 1.3 主要研究内容 | 第16页 |
| 1.4 论文结构安排 | 第16-18页 |
| 2 运动车辆检测方法 | 第18-32页 |
| 2.1 典型运动车辆检测算法 | 第18-21页 |
| 2.1.1 帧差法 | 第18-19页 |
| 2.1.2 光流法 | 第19-20页 |
| 2.1.3 混合高斯模型 | 第20-21页 |
| 2.2 Vibe算法的改进 | 第21-26页 |
| 2.2.1 Vibe算法 | 第22-23页 |
| 2.2.2 改进的Vibe算法 | 第23-26页 |
| 2.3 不同运动目标检测方法实验结果分析 | 第26-31页 |
| 2.3.1 运动目标检测结果标准 | 第26页 |
| 2.3.2 实验结果分析 | 第26-31页 |
| 2.4 本章小结 | 第31-32页 |
| 3 林区车辆特征及识别算法 | 第32-44页 |
| 3.1 颜色特征空间 | 第32-35页 |
| 3.1.1 RGB颜色空间 | 第32-33页 |
| 3.1.2 Lab颜色空间 | 第33-34页 |
| 3.1.3 YCbCr颜色空间 | 第34-35页 |
| 3.2 车辆特征描述 | 第35-38页 |
| 3.2.1 HOG特征 | 第35-37页 |
| 3.2.2 Haar特征 | 第37-38页 |
| 3.3 基于YCbCr颜色特征和Hough变换圆检测的林区车辆识别 | 第38-43页 |
| 3.3.1 基于YCbCr颜色特征的车辆木材区域图像分割 | 第38-41页 |
| 3.3.2 基于Hough变换的圆检测 | 第41-42页 |
| 3.3.3 实验结果分析 | 第42-43页 |
| 3.4 本章小结 | 第43-44页 |
| 4 基于深度学习的林区车辆识别相关技术研究 | 第44-59页 |
| 4.1 深度卷积自编码器 | 第44-52页 |
| 4.1.1 卷积神经网络 | 第44-50页 |
| 4.1.2 自编码器 | 第50-51页 |
| 4.1.3 卷积自编码器 | 第51-52页 |
| 4.2 不平衡分类 | 第52-56页 |
| 4.2.1 不平衡数据分类 | 第52页 |
| 4.2.2 不平衡数据分类方法 | 第52-56页 |
| 4.3 XGBoost | 第56-58页 |
| 4.3.1 Boosting算法 | 第56-57页 |
| 4.3.2 Gradient Boosting算法 | 第57页 |
| 4.3.3 XGBoost算法 | 第57-58页 |
| 4.4 本章小结 | 第58-59页 |
| 5 基于深度学习的林区车辆识别实验结果分析 | 第59-68页 |
| 5.1 基于深度学习的林区车辆识别方法框架 | 第59-60页 |
| 5.2 深度自编码器模型实验与结果 | 第60-64页 |
| 5.2.1 数据说明 | 第60-61页 |
| 5.2.2 深度自编码器架构和参数 | 第61-63页 |
| 5.2.3 实验结果 | 第63-64页 |
| 5.3 XGBoost模型实验与结果 | 第64-65页 |
| 5.4 测试实验结果与分析 | 第65-67页 |
| 5.5 本章小结 | 第67-68页 |
| 6 结论与展望 | 第68-70页 |
| 6.1 总结 | 第68页 |
| 6.2 本文的创新之处 | 第68-69页 |
| 6.3 展望 | 第69-70页 |
| 参考文献 | 第70-76页 |
| 攻读学位期间的学术论文与研究成果 | 第76-77页 |
| 致谢 | 第77页 |
