基于稀疏约束的车辆识别方法研究
| 摘要 | 第5-7页 |
| Abstract | 第7-9页 |
| 第1章 绪论 | 第13-27页 |
| 1.1 课题的研究背景 | 第13-14页 |
| 1.2 车辆识别技术的应用 | 第14-17页 |
| 1.3 车辆识别的技术手段 | 第17-20页 |
| 1.3.1 车辆特征描述 | 第18页 |
| 1.3.2 车辆识别的分类器设计 | 第18-20页 |
| 1.4 车辆识别方法现状及主要问题 | 第20-25页 |
| 1.4.1 车辆识别方法的现状 | 第20-23页 |
| 1.4.2 车辆识别方法存在的主要问题 | 第23-25页 |
| 1.5 本课题的研究内容和方法 | 第25-27页 |
| 第2章 基于稀疏表示的特征提取方法 | 第27-47页 |
| 2.1 引言 | 第27-28页 |
| 2.2 稀疏表示数学模型 | 第28-31页 |
| 2.3 稀疏表示方法的应用模型 | 第31-35页 |
| 2.3.1 图像去噪 | 第31-34页 |
| 2.3.2 图像识别 | 第34-35页 |
| 2.4 稀疏表示的特征提取方法 | 第35-45页 |
| 2.4.1 常见的数据特征提取方法 | 第35-41页 |
| 2.4.2 基于稀疏约束的特征提取方法 | 第41-42页 |
| 2.4.3 特征提取方法实验对比 | 第42-44页 |
| 2.4.4 稀疏概念的推广 | 第44-45页 |
| 2.5 本章小结 | 第45-47页 |
| 第3章 基于稀疏加权滤波的细节增强 | 第47-69页 |
| 3.1 引言 | 第47-48页 |
| 3.2 典型图像增强技术 | 第48-51页 |
| 3.2.1 图像对比度增强 | 第48-50页 |
| 3.2.2 图像细节增强 | 第50-51页 |
| 3.3 稀疏加权滤波算法设计 | 第51-53页 |
| 3.3.1 稀疏加权滤波算法的基本思想 | 第51页 |
| 3.3.2 稀疏加权滤波的实现 | 第51-53页 |
| 3.4 基于图像分层的细节增强 | 第53-59页 |
| 3.4.1 图像分层处理 | 第54-57页 |
| 3.4.2 图像层融合 | 第57-59页 |
| 3.5 实验结果与分析 | 第59-68页 |
| 3.5.1 实验数据 | 第59-61页 |
| 3.5.2 实验对比与评价 | 第61-68页 |
| 3.6 本章小结 | 第68-69页 |
| 第4章 基于稀疏空间金字塔的车辆识别 | 第69-85页 |
| 4.1 引言 | 第69页 |
| 4.2 车辆识别问题描述 | 第69-71页 |
| 4.3 车辆图像特征提取 | 第71-78页 |
| 4.3.1 SIFT特征的提取 | 第72-74页 |
| 4.3.2 稀疏特征的构造 | 第74-77页 |
| 4.3.3 稀疏空间金字塔特征的构造 | 第77-78页 |
| 4.4 稀疏金字塔特征的车辆识别过程 | 第78-79页 |
| 4.5 实验对比与分析 | 第79-83页 |
| 4.5.1 实验数据 | 第79-80页 |
| 4.5.2 实验参数设置 | 第80-82页 |
| 4.5.3 实验结果与分析 | 第82-83页 |
| 4.6 本章小结 | 第83-85页 |
| 第5章 结合车辆内部特征的车辆识别方法 | 第85-99页 |
| 5.1 引言 | 第85-86页 |
| 5.2 问题描述 | 第86-87页 |
| 5.3 常见车辆匹配模型 | 第87-91页 |
| 5.3.1 Fisher Vector模型 | 第87-90页 |
| 5.3.2 VLAD模型 | 第90-91页 |
| 5.4 特征稀疏表示 | 第91-92页 |
| 5.5 车辆内部信息提取 | 第92-95页 |
| 5.6 结合车辆内部信息的车辆识别 | 第95-96页 |
| 5.7 实验结果与分析 | 第96-98页 |
| 5.8 本章小结 | 第98-99页 |
| 第6章 结论与展望 | 第99-101页 |
| 6.1 结论 | 第99-100页 |
| 6.2 展望 | 第100-101页 |
| 参考文献 | 第101-117页 |
| 致谢 | 第117-119页 |
| 攻读学位期间发表的论文和科研成果 | 第119-121页 |
| 作者简介 | 第121页 |
