基于单目视觉的车辆检测算法的研究与实现
| 摘要 | 第1-6页 |
| Abstract | 第6-9页 |
| 第1章 绪论 | 第9-19页 |
| ·车辆检测技术的应用背景 | 第9-10页 |
| ·智能交通系统和车辆辅助驾驶系统 | 第10-12页 |
| ·智能交通系统ITS | 第10-11页 |
| ·车辆辅助驾驶系统DAS | 第11-12页 |
| ·车辆检测技术概述 | 第12-17页 |
| ·传统车辆检测技术 | 第12-13页 |
| ·视频车辆检测技术 | 第13-14页 |
| ·基于视觉的车辆检测算法综述 | 第14-17页 |
| ·本文的研究意义和主要工作 | 第17-18页 |
| ·本文的组织结构 | 第18-19页 |
| 第2章 车辆检测相关理论与技术 | 第19-27页 |
| ·计算机视觉 | 第19-21页 |
| ·数字图像处理 | 第21-24页 |
| ·图像增强 | 第21-22页 |
| ·图像分割 | 第22-24页 |
| ·模式识别与机器学习 | 第24-27页 |
| 第3章 车辆检测算法设计与改进 | 第27-53页 |
| ·算法分析 | 第27-28页 |
| ·图像预处理 | 第28-33页 |
| ·灰度图像转化 | 第28-29页 |
| ·图像降噪 | 第29-30页 |
| ·图像初步分割 | 第30-33页 |
| ·阴影特征提取 | 第33-42页 |
| ·算法流程 | 第34-35页 |
| ·二值化提取阴影 | 第35-38页 |
| ·提取阴影水平边缘 | 第38-40页 |
| ·生成阴影候选片段 | 第40-41页 |
| ·生成感兴趣区域 | 第41-42页 |
| ·车辆特征识别 | 第42-53页 |
| ·Haar-Like特征 | 第42-45页 |
| ·弱分类器的构造 | 第45-46页 |
| ·Boosting和Adaboost算法 | 第46-48页 |
| ·强分类器的集成 | 第48-51页 |
| ·车辆识别 | 第51-53页 |
| 第4章 算法实现 | 第53-61页 |
| ·算法实现平台及测试数据来源 | 第53-55页 |
| ·算法实现平台 | 第53页 |
| ·测试数据来源 | 第53-55页 |
| ·算法模块设计及流程 | 第55-56页 |
| ·算法评估 | 第56-61页 |
| ·离线训练模块 | 第56页 |
| ·阴影特征提取模块 | 第56-58页 |
| ·在线识别模块 | 第58-59页 |
| ·整体测试 | 第59-61页 |
| 第5章 结论与展望 | 第61-63页 |
| ·本文结论 | 第61页 |
| ·下一步研究方向 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67页 |
