基于高分辨率卫星影像的车辆识别研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-16页 |
| 1.1 研究背景 | 第9-13页 |
| 1.1.1 传统车流量检测方法 | 第9-12页 |
| 1.1.2 基于遥感图像的车辆检测方法 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-14页 |
| 1.2.1 国内研究现状 | 第13-14页 |
| 1.2.2 国外研究现状 | 第14页 |
| 1.3 本文研究的主要内容 | 第14-16页 |
| 第2章 图像处理基本理论 | 第16-27页 |
| 2.1 图像增强 | 第16-21页 |
| 2.1.1 直方图均衡化 | 第16-18页 |
| 2.1.2 分段线性灰度变换 | 第18-19页 |
| 2.1.3 Gamma校正 | 第19-20页 |
| 2.1.4 方差归一化 | 第20-21页 |
| 2.2 HSV色彩空间 | 第21页 |
| 2.3 矩形特征 | 第21-27页 |
| 2.3.1 特征模版 | 第22页 |
| 2.3.2 生成特征 | 第22-23页 |
| 2.3.3 特征数量的计算 | 第23-24页 |
| 2.3.4 积分图 | 第24-27页 |
| 第3章 遥感图像的车辆识别方法研究 | 第27-40页 |
| 3.1 AdaBoost算法概述 | 第27-29页 |
| 3.1.1 PAC学习模型 | 第27页 |
| 3.1.2 AdaBoost算法介绍 | 第27-29页 |
| 3.2 AdaBoost分类器的构造 | 第29-31页 |
| 3.2.1 弱分类器的构造 | 第29页 |
| 3.2.2 弱分类器的训练和选择 | 第29-30页 |
| 3.2.3 强分类器的构造 | 第30-31页 |
| 3.3 级联分类器 | 第31-34页 |
| 3.3.1 级联分类器介绍 | 第31-32页 |
| 3.3.2 级联分类器的训练 | 第32-34页 |
| 3.4 使用HSV色彩空间增加图像特征 | 第34-36页 |
| 3.5 基于图像对称性的特征优化选取 | 第36-40页 |
| 3.5.1 基于对称性的特征的生成方法 | 第37-39页 |
| 3.5.2 使用对称性特征提取方法的优势 | 第39-40页 |
| 第4章 车辆识别的实验过程及结果 | 第40-49页 |
| 4.1 开发工具的选择 | 第40页 |
| 4.2 样本集的获取 | 第40-43页 |
| 4.2.1 制作正样本和负样本 | 第41-42页 |
| 4.2.2 车辆样本对称处理 | 第42页 |
| 4.2.3 预处理 | 第42-43页 |
| 4.3 训练分类器 | 第43-44页 |
| 4.4 车辆检测结果 | 第44-47页 |
| 4.5 使用传统方法检测车辆效果 | 第47-49页 |
| 第5章 总结与展望 | 第49-51页 |
| 5.1 总结 | 第49页 |
| 5.2 研究展望 | 第49-51页 |
| 参考文献 | 第51-54页 |
| 致谢 | 第54-55页 |
| 攻读硕士学位期间科研成果及参与的课题 | 第55页 |
