| 摘要 | 第1-6页 |
| Abstract | 第6-10页 |
| 1 绪论 | 第10-16页 |
| ·智能交通系统发展概述 | 第10-11页 |
| ·计算机视觉在ITS 中的应用 | 第11-13页 |
| ·国内外研究现状 | 第13-14页 |
| ·本文研究的主要内容及论文结构安排 | 第14-16页 |
| 2 视频图像预处理 | 第16-32页 |
| ·彩色图像灰度化 | 第16-17页 |
| ·车辆检测与定位 | 第17-20页 |
| ·图像滤波 | 第20-23页 |
| ·边缘检测 | 第23-27页 |
| ·基于梯度的边缘检测 | 第23-25页 |
| ·Laplace 边缘检测算子 | 第25-26页 |
| ·Canny 边缘检测算子 | 第26-27页 |
| ·HARRIS 角点检测 | 第27-28页 |
| ·实验结果与分析 | 第28-31页 |
| ·小结 | 第31-32页 |
| 3 车辆特征提取 | 第32-42页 |
| ·视觉不变量概述 | 第33页 |
| ·射影不变量 | 第33-36页 |
| ·交比的概念 | 第34-35页 |
| ·射影不变量 | 第35-36页 |
| ·车型不变量特征提取 | 第36-40页 |
| ·车辆分类的标准 | 第36-37页 |
| ·车辆顶篷特征描述 | 第37-38页 |
| ·车辆不变量特征提取 | 第38-40页 |
| ·实验结果与分析 | 第40-41页 |
| ·小结 | 第41-42页 |
| 4 基于朴素贝叶斯分类模型的车辆识别 | 第42-55页 |
| ·贝叶斯理论 | 第42-44页 |
| ·条件概率和乘法定理 | 第42-43页 |
| ·全概率公式和贝叶斯定理 | 第43页 |
| ·极大后验假设与极大似然假设 | 第43-44页 |
| ·事件的独立性 | 第44页 |
| ·贝叶斯分类模型 | 第44-50页 |
| ·朴素贝叶斯分类模型 | 第45-49页 |
| ·朴素贝叶斯分类器的提升（Boosted NBC） | 第49页 |
| ·改进的朴素贝叶斯分类器 | 第49-50页 |
| ·基于朴素贝叶斯模型的车辆识别 | 第50-52页 |
| ·实验结果与分析 | 第52-54页 |
| ·小结 | 第54-55页 |
| 5 总结与展望 | 第55-57页 |
| ·总结 | 第55页 |
| ·展望 | 第55-57页 |
| 参考文献 | 第57-61页 |
| 致谢 | 第61-62页 |
| 个人简历 | 第62页 |
| 在学期间发表的学术论文及研究成果 | 第62页 |