| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 目录 | 第7-10页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 车辆检测的研究背景与意义 | 第10-11页 |
| 1.2 车辆检测的问题分析 | 第11-13页 |
| 1.3 研究目标与提出方法 | 第13-14页 |
| 1.3.1 研究目标 | 第13页 |
| 1.3.2 提出方法 | 第13-14页 |
| 1.4 论文的组织架构 | 第14-16页 |
| 第二章 基于视觉的车辆检测算法 | 第16-19页 |
| 2.1 基于特征的车辆检测算法 | 第16页 |
| 2.2 基于模版的车辆检测算法 | 第16-17页 |
| 2.3 基于机器学习的车辆检测算法 | 第17页 |
| 2.4 前人研究工作的优缺点比较 | 第17页 |
| 2.5 本章小结 | 第17-19页 |
| 第三章 基于可变形部件模型的目标检测 | 第19-35页 |
| 3.1 可变形部件模型简介 | 第19-21页 |
| 3.2 方向梯度直方图特征描述子 | 第21-23页 |
| 3.3 基于图像金字塔的多尺度目标检测 | 第23-25页 |
| 3.4 可变形部件模型的检测过程 | 第25-27页 |
| 3.5 可变形部件模型的训练过程 | 第27-30页 |
| 3.5.1 支持向量机 | 第27-28页 |
| 3.5.2 隐支持向量机 | 第28-29页 |
| 3.5.3 模型训练过程的主要步骤 | 第29-30页 |
| 3.6 可变形部件模型的主要问题分析 | 第30-34页 |
| 3.6.1 方向梯度直方图特征描述子的缺点 | 第30-31页 |
| 3.6.2 目标物体被遮挡问题分析 | 第31-34页 |
| 3.7 本章小结 | 第34-35页 |
| 第四章 改进的可变形部件模型 | 第35-45页 |
| 4.1 基于稀疏编码的可变形部件模型 | 第35-40页 |
| 4.1.1 基于稀疏编码的特征表示 | 第35-37页 |
| 4.1.2 最大相关熵准则 | 第37-38页 |
| 4.1.3 基于最大相关熵准则的稀疏编码直方图 | 第38-40页 |
| 4.2 基于最大相关熵准则的遮挡处理方法 | 第40-42页 |
| 4.2.1 基于最大相关熵准则的分数函数 | 第40-42页 |
| 4.3 基于改进的可变形部件模型的车辆检测方法 | 第42-44页 |
| 4.3.1 多视角混合模型 | 第42页 |
| 4.3.2 基于改进的可变形部件模型的车辆检测流程 | 第42-44页 |
| 4.4 本章小结 | 第44-45页 |
| 第五章 实验结果与分析 | 第45-64页 |
| 5.1 实验准备 | 第45-50页 |
| 5.1.1 数据集信息 | 第45-49页 |
| 5.1.2 模型训练过程 | 第49页 |
| 5.1.3 实验环境以及评价对象 | 第49-50页 |
| 5.2 实验结果 | 第50-57页 |
| 5.2.1 PASCAL VOC 2007 数据集上的实验结果 | 第50-51页 |
| 5.2.2 PETS 车辆数据集上的实验结果 | 第51-53页 |
| 5.2.3 TME 数据集上的实验结果 | 第53-57页 |
| 5.3 实验分析 | 第57-61页 |
| 5.3.1 PASCAL VOC 2007 数据集上的实验分析 | 第57-58页 |
| 5.3.2 TME 数据集上的实验分析 | 第58-61页 |
| 5.4 实际应用 | 第61-63页 |
| 5.4.1 对不同视角车辆的检测结果 | 第61-62页 |
| 5.4.2 被遮挡车辆的检测结果 | 第62页 |
| 5.4.3 多目标检测结果 | 第62-63页 |
| 5.5 本章小结 | 第63-64页 |
| 第六章 总结与展望 | 第64-69页 |
| 6.1 总结 | 第64-65页 |
| 6.2 展望 | 第65-69页 |
| 6.2.1 改进可变形部件的变形性质 | 第65-66页 |
| 6.2.2 针对车辆的模版修改 | 第66-67页 |
| 6.2.3 部件的权值以及层次模型 | 第67页 |
| 6.2.4 关于能量直方图的模型构建 | 第67-69页 |
| 参考文献 | 第69-74页 |
| 攻读硕士学位期间取得的研究成果 | 第74-75页 |
| 致谢 | 第75-76页 |
| 附件 | 第76页 |
