| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第10-13页 |
| 1.1 研究背景与意义 | 第10-11页 |
| 1.2 本文主要工作 | 第11-12页 |
| 1.3 本文组织 | 第12-13页 |
| 第2章 相关工作进展 | 第13-19页 |
| 2.1 国内外研究现状 | 第13-15页 |
| 2.2 图像识别技术现状 | 第15-18页 |
| 2.2.1 图像分割 | 第15页 |
| 2.2.2 图像识别常用特征 | 第15-17页 |
| 2.2.3 常用机器学习算法 | 第17-18页 |
| 2.3 本章小结 | 第18-19页 |
| 第3章 基于HOG和SVM的车辆检测 | 第19-33页 |
| 3.1 物体检测流程 | 第19-20页 |
| 3.2 正、负样本制作 | 第20-22页 |
| 3.3 HOG特征提取 | 第22-26页 |
| 3.4 线性分类器SVM | 第26-29页 |
| 3.4.1 SVM的优势 | 第26-28页 |
| 3.4.2 SVM核函数 | 第28页 |
| 3.4.3 SVM参数设置 | 第28-29页 |
| 3.5 车辆检测实现 | 第29-32页 |
| 3.5.1 图像缩放扫描 | 第30页 |
| 3.5.2 窗口合并 | 第30-32页 |
| 3.5.3 交叉验证（CrossValidation） | 第32页 |
| 3.6 本章小结 | 第32-33页 |
| 第4章 车辆检测并行优化 | 第33-43页 |
| 4.1 并行计算的必要性 | 第33-34页 |
| 4.2 从特征算法角度考虑 | 第34-35页 |
| 4.3 从分类器角度考虑 | 第35页 |
| 4.4 OpenMP并行计算 | 第35-36页 |
| 4.5 HOG算法并行化 | 第36-40页 |
| 4.5.1 梯度计算 | 第36-37页 |
| 4.5.2 cell直方图计算 | 第37-39页 |
| 4.5.3 归一化处理 | 第39-40页 |
| 4.6 检测阶段并行优化 | 第40-42页 |
| 4.6.1 图像缩放 | 第40-41页 |
| 4.6.2 窗.扫描与合并 | 第41-42页 |
| 4.7 本章小结 | 第42-43页 |
| 第5章 实验结果分析 | 第43-50页 |
| 5.1 实验环境 | 第43页 |
| 5.2 实验中使用的数据集 | 第43-44页 |
| 5.3 不同特征的性能比较 | 第44-45页 |
| 5.4 车辆检测识别率分析 | 第45-47页 |
| 5.5 车辆检测时间效率分析 | 第47-49页 |
| 5.5.1 HOG特征提取并行分析 | 第47-48页 |
| 5.5.2 图像缩放并行分析 | 第48-49页 |
| 5.5.3 车辆检测时间分析 | 第49页 |
| 5.6 本章小结 | 第49-50页 |
| 第6章 总结与展望 | 第50-52页 |
| 6.1 论文工作总结 | 第50页 |
| 6.2 未来的工作展望 | 第50-52页 |
| 参考文献 | 第52-55页 |
| 攻读硕士学位期间取得的研究成果 | 第55-56页 |
| 致谢 | 第56-57页 |
| 附件 | 第57页 |