| 摘要 | 第1-6页 |
| ABSTRACT | 第6-10页 |
| 1 绪论 | 第10-21页 |
| ·课题研究背景及意义 | 第10-11页 |
| ·车辆目标的跟踪与检测技术 | 第11-19页 |
| ·车辆目标的检测方法 | 第11-14页 |
| ·车辆目标识别方法 | 第14-17页 |
| ·车辆目标的跟踪方法 | 第17-19页 |
| ·本文研究的主要内容 | 第19-21页 |
| 2 GABOR 小波分析 | 第21-33页 |
| ·小波变换 | 第21-24页 |
| ·傅里叶变换 | 第21-23页 |
| ·小波变换 | 第23-24页 |
| ·GABOR小波 | 第24-28页 |
| ·Gabor 滤波器表达式 | 第24-26页 |
| ·2D Gabor 滤波器 | 第26-28页 |
| ·多通道GABOR滤波器 | 第28-32页 |
| ·基于多通道Gabor 滤波器的图像展开 | 第28-29页 |
| ·多通道Gabor 滤波器的参数选择 | 第29页 |
| ·基于多通道Gabor 滤波器的纹理特征提取 | 第29-30页 |
| ·多通道Gabor 滤波器的设计 | 第30-31页 |
| ·灰度图像目标的特征向量表示 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 3 基于GABOR 小波特征和BP 神经网络的车辆目标识别 | 第33-60页 |
| ·车辆目标识别系统的预处理 | 第33-37页 |
| ·视频图像序列采集 | 第33-34页 |
| ·确定目标区域 | 第34-35页 |
| ·背景重建 | 第35-36页 |
| ·图像滤波 | 第36-37页 |
| ·提取GABOR小波特征的方法 | 第37-52页 |
| ·Gabor 滤波器参数的选择 | 第38页 |
| ·Gabor 小波特征点的提取 | 第38-42页 |
| ·建立目标数据库 | 第42-46页 |
| ·特征点的匹配 | 第46-52页 |
| ·基于BP 神经网络的车型识别 | 第52-58页 |
| ·神经网络介绍 | 第52-54页 |
| ·BP 网络学习规则 | 第54-55页 |
| ·BP 网络结构设计 | 第55-57页 |
| ·BP 网络的参数设置和训练 | 第57页 |
| ·车型识别系统的实现 | 第57-58页 |
| ·车型识别实验结果分析 | 第58页 |
| ·本章小结 | 第58-60页 |
| 4 基于KALMAN 滤波和GABOR 特征匹配的车辆目标跟踪 | 第60-80页 |
| ·概述 | 第60-61页 |
| ·KALMAN滤波器实现原理 | 第61-65页 |
| ·基于KALMAN 滤波器的目标运动估计 | 第65-66页 |
| ·图像匹配算法 | 第66-71页 |
| ·基于Gabor 特征点的特征匹配 | 第66-69页 |
| ·车辆目标的运动模型 | 第69-71页 |
| ·GABOR小波跟踪算法的实现 | 第71-72页 |
| ·算法的适用范围 | 第71页 |
| ·算法流程图 | 第71-72页 |
| ·跟踪实验结果分析 | 第72-79页 |
| ·本章小结 | 第79-80页 |
| 5 总结与展望 | 第80-82页 |
| ·本文工作及成果总结 | 第80-81页 |
| ·下一步的研究工作 | 第81-82页 |
| 参考文献 | 第82-86页 |
| 致谢 | 第86-87页 |
| 研究生期间发表论文及参见项目情况 | 第87页 |