| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第1章 绪论 | 第11-18页 |
| 1.1 研究的背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-16页 |
| 1.2.1 国外研究现状 | 第13-14页 |
| 1.2.2 国内研究现状 | 第14-16页 |
| 1.3 本文主要研究内容 | 第16-18页 |
| 第2章 汽车仪表盘检测的总体设计 | 第18-23页 |
| 2.1 引言 | 第18页 |
| 2.2 汽车仪表检测系统的构成 | 第18-19页 |
| 2.3 汽车仪表的通信 | 第19-21页 |
| 2.4 相机部分 | 第21页 |
| 2.5 本章小结 | 第21-23页 |
| 第3章 汽车仪表检测的整体方案及仪表指针精提取 | 第23-35页 |
| 3.1 引言 | 第23页 |
| 3.2 汽车仪表检测算法问题概述和设计准则 | 第23-27页 |
| 3.3 基于轮廓分析的汽车仪表指针精提取算法 | 第27-34页 |
| 3.3.1 图像的预处理 | 第27-28页 |
| 3.3.2 轮廓追踪算法 | 第28-31页 |
| 3.3.3 概率霍夫直线拟合算法 | 第31-34页 |
| 3.4 本章小结 | 第34-35页 |
| 第4章 字符级联分类器的搭建 | 第35-51页 |
| 4.1 引言 | 第35页 |
| 4.2 基于HOG-SVM分类器的仪表字符检测算法 | 第35-37页 |
| 4.2.1 HOG描述子 | 第35-36页 |
| 4.2.2 HOG特征提取流程 | 第36-37页 |
| 4.3 支持向量机 | 第37-42页 |
| 4.3.1 支持向量机的基本原理 | 第37-39页 |
| 4.3.2 软间隔SVM | 第39-40页 |
| 4.3.3 非线性映射和核函数 | 第40-41页 |
| 4.3.4 非最大抑制 | 第41-42页 |
| 4.4 字符滤波器的架构 | 第42-43页 |
| 4.5 基于Lenet-5架构的卷积神经网络仪表数字识别 | 第43-48页 |
| 4.5.1 卷积层 | 第44-45页 |
| 4.5.2 池化层 | 第45页 |
| 4.5.3 全连接层 | 第45-46页 |
| 4.5.4 激活函数 | 第46页 |
| 4.5.5 目标函数 | 第46页 |
| 4.5.6 正则化 | 第46-47页 |
| 4.5.7 反向传播和梯度下降 | 第47页 |
| 4.5.8 Adam自适应学习率 | 第47-48页 |
| 4.5.9 网络参数选择 | 第48页 |
| 4.6 字符级联分类器的架构 | 第48-50页 |
| 4.7 本章小结 | 第50-51页 |
| 第5章 汽车仪表刻度点提取和线性读数关系的建立 | 第51-57页 |
| 5.1 引言 | 第51页 |
| 5.2 基于区域搜索的汽车仪表刻度点提取算法 | 第51-54页 |
| 5.3 基于牛顿插值方法的汽车仪表刻度点和速度拟合关系 | 第54-56页 |
| 5.3.1 拉格朗日插值 | 第55页 |
| 5.3.2 牛顿插值 | 第55-56页 |
| 5.3.3 仪表指针速度值读数的计算 | 第56页 |
| 5.4 本章小结 | 第56-57页 |
| 第6章 算法实验验证和分析 | 第57-67页 |
| 6.1 引言 | 第57页 |
| 6.2 仪表指针拟合实验 | 第57-59页 |
| 6.3 字符级联分类器效果实验 | 第59-61页 |
| 6.4 字符级联分类器各部分组成效果实验 | 第61-62页 |
| 6.5 仪表检测算法的通用性实验 | 第62-63页 |
| 6.6 仪表刻度点提取实验 | 第63-64页 |
| 6.7 检测算法精度实验 | 第64-65页 |
| 6.8 检测算法耗时实验 | 第65-66页 |
| 6.9 本章小结 | 第66-67页 |
| 结论 | 第67-69页 |
| 参考文献 | 第69-74页 |
| 攻读硕士学位期间发表的论文及其他成果 | 第74-76页 |
| 致谢 | 第76-77页 |
