| 摘要 | 第6-8页 |
| ABSTRACT | 第8-10页 |
| 第一章 绪论 | 第17-31页 |
| 1.1 研究背景 | 第17-22页 |
| 1.1.1 应用现状 | 第17-19页 |
| 1.1.2 数据收集现状 | 第19-21页 |
| 1.1.3 研究的社会经济效益 | 第21-22页 |
| 1.2 相关国内外研究 | 第22-26页 |
| 1.2.1 细粒度车型识别技术简介 | 第22-24页 |
| 1.2.2 车辆再识别技术简介 | 第24-26页 |
| 1.3 研究内容及创新点 | 第26-29页 |
| 1.3.1 研究内容 | 第26-28页 |
| 1.3.2 主要创新点 | 第28-29页 |
| 1.4 论文的章节安排 | 第29-31页 |
| 第二章 数据收集与建库 | 第31-39页 |
| 2.1 系统架构和硬件配置 | 第31-33页 |
| 2.1.1 系统架构 | 第31-32页 |
| 2.1.2 硬件配置 | 第32-33页 |
| 2.2 前端采集设备搭建 | 第33-35页 |
| 2.2.1 分角度联动式样本采集方案 | 第33-34页 |
| 2.2.2 封闭区域全角度均衡样本采集方案 | 第34-35页 |
| 2.3 数据集构成 | 第35-38页 |
| 2.3.1 分角度样本数据集D_(im) | 第35-36页 |
| 2.3.2 混合角度均衡样本数据集D_(ba) | 第36-37页 |
| 2.3.3 混合角度测试数据集T | 第37页 |
| 2.3.4 数据集属性 | 第37-38页 |
| 2.4 本章小结 | 第38-39页 |
| 第三章 基于特征空间的单角度侧向车型识别算法 | 第39-51页 |
| 3.1 相关理论及方法 | 第39-41页 |
| 3.1.1 HOG算法 | 第39-40页 |
| 3.1.2 基于PCA和LDA的特征空间 | 第40页 |
| 3.1.3 KNN | 第40-41页 |
| 3.2 基于特征空间的侧向车型识别过程 | 第41-43页 |
| 3.2.1 总体框架 | 第41页 |
| 3.2.2 特征提取 | 第41-42页 |
| 3.2.3 分类 | 第42-43页 |
| 3.3 基于特征空间的侧向车型识别方法 | 第43-46页 |
| 3.3.1 特征空间投影 | 第44-46页 |
| 3.4 实验结果与分析 | 第46-50页 |
| 3.4.1 D_(im)样本子集上测试 | 第46-48页 |
| 3.4.2 T测试集上测试 | 第48-50页 |
| 3.5 本章小结 | 第50-51页 |
| 第四章 基于局部加强PCANet神经网络的细粒度车型识别 | 第51-68页 |
| 4.1 相关理论及方法 | 第51-54页 |
| 4.1.1 PCANet简介 | 第51-52页 |
| 4.1.2 PCANet原理 | 第52-54页 |
| 4.2 基于PCANet模型的车型识别过程 | 第54-56页 |
| 4.2.1 总体框架 | 第54页 |
| 4.2.2 特征提取 | 第54-55页 |
| 4.2.3 特征融合和分类 | 第55-56页 |
| 4.3 基于局部加强的PCANet的车型识别算法 | 第56-59页 |
| 4.3.1 全局特征提取 | 第56-57页 |
| 4.3.2 局部特征提取 | 第57-58页 |
| 4.3.3 特征融合 | 第58-59页 |
| 4.4 实验结果与分析 | 第59-66页 |
| 4.4.1 方法在comp库上验证及比较 | 第59-61页 |
| 4.4.2 方法在Scar差异显著子库与易混淆子库上的验证及比较 | 第61-62页 |
| 4.4.3 自建数据集ShV上结果分析 | 第62-66页 |
| 4.5 本章小结 | 第66-68页 |
| 第五章 基于BoVW模型的车辆再识别算法 | 第68-79页 |
| 5.1 相关理论及方法 | 第68-72页 |
| 5.1.1 视觉词包模型 | 第68-69页 |
| 5.1.2 基础特征构建 | 第69-71页 |
| 5.1.3 距离度量算法 | 第71页 |
| 5.1.4 再排序问题研究 | 第71-72页 |
| 5.2 基于词包模型的车辆再识别算法 | 第72-76页 |
| 5.2.1 BoVW算法流程 | 第72-76页 |
| 5.3 实验结果与分析 | 第76-78页 |
| 5.3.1 特征提取算法比较实验 | 第76页 |
| 5.3.2 距离度量算法比较实验 | 第76-77页 |
| 5.3.3 角度变化鲁棒性测试 | 第77-78页 |
| 5.4 本章小结 | 第78-79页 |
| 第六章 基于度量学习及深度度量学习模型的车辆再识别算法 | 第79-93页 |
| 6.1 相关理论及方法 | 第80页 |
| 6.1.1 度量学习 | 第80页 |
| 6.2 基于度量学习的多角度车辆再识别算法 | 第80-84页 |
| 6.2.1 度量学习总体框架 | 第80-81页 |
| 6.2.2 分步实施 | 第81-82页 |
| 6.2.3 数据库选用及样本不均衡问题 | 第82-83页 |
| 6.2.4 姿态问题解决方案 | 第83-84页 |
| 6.3 详细实施和扩展方案 | 第84-88页 |
| 6.3.1 特征提取 | 第84-86页 |
| 6.3.2 加入姿态变换的度量学习 | 第86-88页 |
| 6.4 实验结果与分析 | 第88-92页 |
| 6.4.1 实验数据准备 | 第88页 |
| 6.4.2 特征提取结果分析 | 第88-89页 |
| 6.4.3 加入姿态变换和块相对位置的度量方法结果分析 | 第89-91页 |
| 6.4.4 在其他车辆数据集上的测试结果比较 | 第91-92页 |
| 6.5 本章小结 | 第92-93页 |
| 第七章 基于改进深度学习神经网络的车辆全属性分类和车辆识别算法 | 第93-107页 |
| 7.1 相关理论及方法 | 第93-98页 |
| 7.1.1 神经网络模型 | 第93-95页 |
| 7.1.2 Dropout方法 | 第95-97页 |
| 7.1.3 hard negative mining方案 | 第97-98页 |
| 7.2 基于改进深度学习神经网络的车型识别算法 | 第98-103页 |
| 7.2.1 样本集选择 | 第98页 |
| 7.2.2 算法流程 | 第98-99页 |
| 7.2.3 车辆属性分类算法 | 第99-103页 |
| 7.3 实验结果与分析 | 第103-106页 |
| 7.3.1 各神经网络算法比较实验 | 第103-104页 |
| 7.3.2 神经网络训练效果 | 第104-105页 |
| 7.3.3 算法通用性扩展测试 | 第105-106页 |
| 7.4 本章小结 | 第106-107页 |
| 第八章 结论与展望 | 第107-110页 |
| 8.1 本文工作总结 | 第107-108页 |
| 8.2 下一步工作展望 | 第108-110页 |
| 参考文献 | 第110-125页 |
| 作者在攻读博士学位期间的主要工作成果 | 第125-127页 |
| 致谢 | 第127-128页 |
