| 致谢 | 第7-8页 |
| 摘要 | 第8-9页 |
| Abstract | 第9页 |
| 第一章 绪论 | 第15-20页 |
| 1.1 研究背景 | 第15-16页 |
| 1.2 国内外智能交通相关领域研究现状 | 第16-18页 |
| 1.2.1 国外相关领域研究现状 | 第16-17页 |
| 1.2.2 国内相关领域研究现状 | 第17-18页 |
| 1.3 论文主要工作及其结构 | 第18-20页 |
| 第二章 安全带检测研究综述 | 第20-29页 |
| 2.1 车牌定位 | 第21-22页 |
| 2.1.1 基于直观特征的车牌定位方法 | 第21-22页 |
| 2.1.2 基于变换域特征的车牌定位方法 | 第22页 |
| 2.2 车窗定位 | 第22-23页 |
| 2.3 边缘检测 | 第23-25页 |
| 2.3.1 Sobel算子 | 第23-24页 |
| 2.3.2 Canny算子 | 第24-25页 |
| 2.4 Hough变换 | 第25-28页 |
| 2.5 本章小结 | 第28-29页 |
| 第三章 基于Adaboost的安全带检测系统研究 | 第29-56页 |
| 3.1 安全带检测系统流程 | 第29-30页 |
| 3.2 Haar-like特征算法 | 第30-34页 |
| 3.2.1 Haar-like特征 | 第30页 |
| 3.2.2 Haar-like特征的表示 | 第30-33页 |
| 3.2.3 利用积分图像快速计算Haar-like特征 | 第33-34页 |
| 3.3 HOG梯度直方图特征算法 | 第34-37页 |
| 3.3.1 HOG算法特征 | 第34-36页 |
| 3.3.2 利用积分图像快速计算HOG特征 | 第36-37页 |
| 3.4 Adaboost算法对各部件的粗定位 | 第37-50页 |
| 3.4.1 Adaboost分类器算法 | 第37-41页 |
| 3.4.2 分类器模型的训练 | 第41-48页 |
| 3.4.3 基于Cascade思想的检测框架 | 第48-50页 |
| 3.5 基于SVM算法的后处理 | 第50-54页 |
| 3.5.1 SVM介绍 | 第50-54页 |
| 3.5.2 SVM分类器的训练 | 第54页 |
| 3.6 本章小结 | 第54-56页 |
| 第四章 安全带检测方法实验与分析 | 第56-64页 |
| 4.1 实验条件 | 第56-59页 |
| 4.2 安全带检测效果实验 | 第59页 |
| 4.3 针对不同特征的安全带检测实验 | 第59-62页 |
| 4.4 针对SVM后处理的安全带检测实验 | 第62-63页 |
| 4.5 针对不同环境下的安全带检测效果实验 | 第63页 |
| 4.6 本章小结 | 第63-64页 |
| 第五章 总结与展望 | 第64-66页 |
| 5.1 本文研究总结 | 第64页 |
| 5.2 未来工作展望 | 第64-66页 |
| 参考文献 | 第66-69页 |
| 攻读硕士学位期间的学术活动及成果情况 | 第69页 |