| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 目录 | 第5-6页 |
| 1 绪论 | 第6-9页 |
| 1.1 引言 | 第6页 |
| 1.2 车辆检测研究的背景和意义 | 第6-7页 |
| 1.3 车辆检测现状研究 | 第7页 |
| 1.4 本文研究的内容与结构安排 | 第7-9页 |
| 2 支持向量机 | 第9-16页 |
| 2.1 统计学习理论 | 第9-11页 |
| 2.1.1 函数集的 VC 维 | 第9页 |
| 2.1.2 学习过程一致性和关键定理 | 第9-10页 |
| 2.1.3 结构风险最小化原则 | 第10-11页 |
| 2.2 支持向量机思想 | 第11-13页 |
| 2.3 支持向量机分类机 | 第13页 |
| 2.4 支持向量机回归机 | 第13-14页 |
| 2.5 支持向量机的应用 | 第14-16页 |
| 3 HOG 特征提取 | 第16-25页 |
| 3.1 图像特征提取 | 第16-19页 |
| 3.1.1 颜色或灰度的特征提取 | 第16-17页 |
| 3.1.2 纹理特征提取 | 第17-18页 |
| 3.1.3 图像代数特征提取 | 第18页 |
| 3.1.4 变换系数特征提取 | 第18-19页 |
| 3.2 HOG 特征 | 第19-20页 |
| 3.3 HOG 特征提取算法的实现过程 | 第20-23页 |
| 3.3.1 大概过程 | 第20页 |
| 3.3.2 具体每一步的详细过程如下 | 第20-23页 |
| 3.4 改进的 HOG 特征的提取算法 | 第23-25页 |
| 4 基于 HOG 特征与支持向量机的车辆检测 | 第25-35页 |
| 4.1 模型的训练 | 第25-26页 |
| 4.1.1 SVM 训练过程 | 第25页 |
| 4.1.2 基于 OPENCV 的支持向量机的训练 | 第25-26页 |
| 4.2 车辆检测算法的实现 | 第26-27页 |
| 4.2.1 基于 OPENCV 和 HOG 特征的车辆检测 | 第26-27页 |
| 4.2.2 基于加强型 HOG 特征的车辆检测 | 第27页 |
| 4.3 算法的改进 | 第27-28页 |
| 4.3.1 基于 OPENCV 和支持向量机的车辆检测算法的改进 | 第27页 |
| 4.3.2 基于根滤波器的车辆检测算法 | 第27-28页 |
| 4.4 实验结果和分析 | 第28-35页 |
| 5 总结与展望 | 第35-36页 |
| 参考文献 | 第36-38页 |
| 致谢 | 第38页 |
