| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 图形索引 | 第13-15页 |
| 表格索引 | 第15-16页 |
| 第一章 绪论 | 第16-28页 |
| 1.1 研究意义和目标 | 第16-20页 |
| 1.1.1 选题背景 | 第16-17页 |
| 1.1.2 基于视频的车型识别技术的意义 | 第17-19页 |
| 1.1.3 研究目标 | 第19-20页 |
| 1.2 基于视频的车型识别技术研究现状 | 第20-24页 |
| 1.2.1 国外的研究现状 | 第20-22页 |
| 1.2.2 国内的研究现状 | 第22-24页 |
| 1.3 研究路线和内容 | 第24-26页 |
| 1.3.1 车辆检测与图像分割 | 第24页 |
| 1.3.2 车辆形状特征提取 | 第24-25页 |
| 1.3.3 特征的选择 | 第25页 |
| 1.3.4 车辆类型识别 | 第25-26页 |
| 1.3.5 车辆类型聚类验证 | 第26页 |
| 1.4 本文的主要贡献和组织结构 | 第26-28页 |
| 第二章 基于高斯混合模型和多特征差异性阴影消除的运动目标提取 | 第28-57页 |
| 2.1 引言 | 第28-29页 |
| 2.2 运动目标检测 | 第29-32页 |
| 2.2.1 帧间差法 | 第29-30页 |
| 2.2.2 光流场法 | 第30-31页 |
| 2.2.3 背景差分法 | 第31-32页 |
| 2.3 背景模型 | 第32-35页 |
| 2.3.1 单高斯模型 | 第32-33页 |
| 2.3.2 高斯混和模型(GMM) | 第33-35页 |
| 2.4 基于多特征差异性的阴影消除 | 第35-56页 |
| 2.4.1 阴影消除介绍 | 第35-38页 |
| 2.4.2 阴影模型 | 第38-39页 |
| 2.4.3 阴影消除技术的相关工作 | 第39-45页 |
| 2.4.4 基于多特征差异性的阴影检测算法 | 第45-48页 |
| 2.4.5 实验与分析 | 第48-56页 |
| 2.5 本章小结 | 第56-57页 |
| 第三章 基于极半径高度函数形状描述子研究 | 第57-80页 |
| 3.1 引言 | 第57-58页 |
| 3.2 形状描述子的相关工作 | 第58-68页 |
| 3.2.1 基于区域的形状描述子 | 第59-64页 |
| 3.2.2 基于轮廓的形状描述子 | 第64-68页 |
| 3.3 极半径高度函数形状描述子 | 第68-73页 |
| 3.3.1 极半径高度函数形状描述子原理 | 第69-71页 |
| 3.3.2 形状匹配 | 第71-72页 |
| 3.3.3 时间复杂度分析 | 第72-73页 |
| 3.4 实验与分析 | 第73-79页 |
| 3.4.1 MPEG-7 CE-Shape-1 Part B数据库上实验 | 第73-75页 |
| 3.4.2 ETH-80数据库上实验 | 第75-76页 |
| 3.4.3 Kimia数据库上实验 | 第76-77页 |
| 3.4.4 实际工程实验 | 第77-79页 |
| 3.5 本章小结 | 第79-80页 |
| 第四章 基于假设间隔的LVQ特征选择算法研究 | 第80-101页 |
| 4.1 引言 | 第80-81页 |
| 4.2 特征选择的相关工作 | 第81-87页 |
| 4.2.1 特征选择算法概述 | 第81-83页 |
| 4.2.2 基于分类间隔的特征选择 | 第83-84页 |
| 4.2.3 基于统计值特征评价函数的特征选择 | 第84-87页 |
| 4.2.4 其他相关特征选择算法 | 第87页 |
| 4.3 基于最大假设间隔的LVQ特征选择算法 | 第87-92页 |
| 4.3.1 评价准则 | 第87-90页 |
| 4.3.2 LVQMFS的算法原理 | 第90-92页 |
| 4.4 实验与分析 | 第92-100页 |
| 4.4.1 实验方法 | 第92-93页 |
| 4.4.2 实验数据 | 第93-94页 |
| 4.4.3 LVQMFS和近年流行特征选择算法的对比实验 | 第94-97页 |
| 4.4.4 LVQMFS和基于统计值特征评价函数特征选择算法的对比实验 | 第97-98页 |
| 4.4.5 LVQMFS对车型数据的特征选择实验 | 第98-99页 |
| 4.4.6 实验分析 | 第99-100页 |
| 4.5 本章小结 | 第100-101页 |
| 第五章 面向数据范围的泛化LVQ算法研究 | 第101-120页 |
| 5.1 引言 | 第101-102页 |
| 5.2 分类算法研究的相关工作 | 第102-110页 |
| 5.2.1 朴素贝叶斯分类器 | 第102-103页 |
| 5.2.2 RBF人工神经网络 | 第103-105页 |
| 5.2.3 支持向量机 | 第105-107页 |
| 5.2.4 学习向量量化(LVQ)神经网络 | 第107-110页 |
| 5.3 面向数据范围的泛化LVQ算法 | 第110-113页 |
| 5.3.1 相似性度量函数 | 第110-111页 |
| 5.3.2 权值更新计算 | 第111-112页 |
| 5.3.3 算法流程和复杂度 | 第112-113页 |
| 5.4 实验和应用 | 第113-118页 |
| 5.4.1 实验用UCI数据集描述 | 第113-114页 |
| 5.4.2 和同类算法对比实验 | 第114-116页 |
| 5.4.3 和典型分类算法的对比实验 | 第116-117页 |
| 5.4.4 真实车型识别数据实验 | 第117-118页 |
| 5.5 本章小结 | 第118-120页 |
| 第六章 基于模糊矩阵的蚁群聚类算法研究 | 第120-129页 |
| 6.1 引言 | 第120-121页 |
| 6.2 蚁群算法介绍 | 第121-122页 |
| 6.3 基于模糊矩阵的蚁群聚类算法 | 第122-125页 |
| 6.3.1 模糊聚类矩阵 | 第122页 |
| 6.3.2 算法原理 | 第122-125页 |
| 6.3.3 算法流程 | 第125页 |
| 6.4 实验与分析 | 第125-128页 |
| 6.4.1 标准数据集实验 | 第126页 |
| 6.4.2 数据验证实验 | 第126-127页 |
| 6.4.3 实际工程实验 | 第127-128页 |
| 6.5 本章小结 | 第128-129页 |
| 总结和展望 | 第129-131页 |
| 参考文献 | 第131-149页 |
| 攻读博士学位期间取得的研究成果 | 第149-151页 |
| 致谢 | 第151-152页 |
| 附件 | 第152页 |
