复杂背景下车型识别技术研究
| 摘要 | 第1-6页 |
| ABSTRACT | 第6-8页 |
| 目录 | 第8-11页 |
| 第1章 绪论 | 第11-15页 |
| ·课题研究的背景和意义 | 第11-12页 |
| ·课题研究背景 | 第11-12页 |
| ·课题研究意义 | 第12页 |
| ·车型识别国内外研究现状 | 第12-14页 |
| ·车型识别国外研究现状 | 第12-13页 |
| ·车型识别国内研究现状 | 第13-14页 |
| ·本文主要研究内容及组织结构 | 第14-15页 |
| 第2章 车型识别流程及图像处理基础 | 第15-24页 |
| ·车型识别流程 | 第15-17页 |
| ·图像处理基础 | 第17-23页 |
| ·RGB 颜色空间 | 第17-18页 |
| ·图像滤波与增强 | 第18-21页 |
| ·车辆前景掩码二值图像分析 | 第21-23页 |
| ·本章小结 | 第23-24页 |
| 第3章 复杂背景建模与运动车辆区域定位 | 第24-33页 |
| ·复杂背景视频的的背景建模 | 第24-29页 |
| ·复杂背景的高斯混合模型的建立 | 第25页 |
| ·复杂背景高斯混合模型参数的估计 | 第25-27页 |
| ·复杂背景模型估计 | 第27-28页 |
| ·复杂背景高斯混合模型更新流程 | 第28页 |
| ·道路背景图像建立与前景掩码提取 | 第28-29页 |
| ·运动车辆区域定位 | 第29-32页 |
| ·增大前景掩码图像细节尺度 | 第30页 |
| ·前景掩码连通区域检测 | 第30页 |
| ·连通区域追踪器表的建立 | 第30页 |
| ·追踪器表整合 | 第30-31页 |
| ·车辆区域的判定 | 第31-32页 |
| ·本章小结 | 第32-33页 |
| 第4章 基于 Haar 特征的车轮检测 | 第33-43页 |
| ·准备车轮训练样本 | 第33-34页 |
| ·样本图像灰度化 | 第33-34页 |
| ·车轮样本图像大小归一化 | 第34页 |
| ·训练样本 Haar 特征提取 | 第34-36页 |
| ·车轮的 Haar 特征 | 第34-35页 |
| ·满足条件的矩形的数量计算 | 第35-36页 |
| ·Haar 特征快速计算 | 第36页 |
| ·训练车轮分类器 | 第36-39页 |
| ·车轮图像 Haar 特征弱分类器 | 第37-38页 |
| ·车轮强分类器训练过程 | 第38-39页 |
| ·车轮检测图像扫描方式 | 第39-41页 |
| ·道路原始图像扫描方式 | 第39页 |
| ·多次检测到同一车轮合并处理 | 第39-41页 |
| ·车轮检测结果筛选 | 第41-42页 |
| ·本章小结 | 第42-43页 |
| 第5章 基于前景掩码图像的车辆轮廓提取及修复 | 第43-50页 |
| ·车辆轮廓提取 | 第43-45页 |
| ·前景掩码图像边缘检测 | 第43-44页 |
| ·车辆轮廓提取 | 第44-45页 |
| ·车辆轮廓筛选 | 第45页 |
| ·车辆轮廓提取的影响因素分析 | 第45-46页 |
| ·阴影对车辆轮廓提取的影响 | 第46页 |
| ·车轮对轮廓提取的修正分析 | 第46页 |
| ·车辆顶面轮廓的提取及修复 | 第46-49页 |
| ·车辆轮廓上限提取 | 第46-47页 |
| ·利用车轮位置修正车辆轮廓 | 第47-48页 |
| ·车辆顶面轮廓修复 | 第48-49页 |
| ·本章小结 | 第49-50页 |
| 第6章 基于 Hu 不变矩的车辆分类 | 第50-56页 |
| ·车型轮廓矩特征计算 | 第50-52页 |
| ·轮廓矩 | 第50-51页 |
| ·车辆轮廓 Hu 不变矩 | 第51-52页 |
| ·基于 Hu 矩的车型分类 | 第52-55页 |
| ·车辆轮廓 Hu 矩的距离度量 | 第52-53页 |
| ·待分类车型模板 | 第53页 |
| ·车型匹配 | 第53-55页 |
| ·本章小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-63页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第63-64页 |
| 致谢 | 第64页 |
