基于机器学习的快速车辆检测方法
| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 第1章 绪论 | 第7-15页 |
| 1.1 论文研究背景与意义 | 第7-9页 |
| 1.2 国内外研究动态 | 第9-11页 |
| 1.3 本文的主要工作和创新点 | 第11-12页 |
| 1.4 文章的组织结构 | 第12-15页 |
| 第2章 基于学习方法的车辆检测技术 | 第15-29页 |
| 2.1 目标检测框架 | 第15-18页 |
| 2.2 车辆检测数据集 | 第18-19页 |
| 2.3 车辆检测的特征 | 第19-24页 |
| 2.3.1 Haar特征 | 第20-21页 |
| 2.3.2 LBP特征 | 第21-22页 |
| 2.3.3 HOG特征 | 第22-24页 |
| 2.4 车辆检测的分类器 | 第24-25页 |
| 2.5 滑动窗口法 | 第25-27页 |
| 2.6 本章小结 | 第27-29页 |
| 第3章 车辆特征的快速计算方法 | 第29-45页 |
| 3.1 基于梯度方向直方图的特征提取 | 第29-34页 |
| 3.2 快速HOG计算原理 | 第34-38页 |
| 3.2.1 积分直方图技术 | 第34-35页 |
| 3.2.2 多尺度特征的近似计算 | 第35-37页 |
| 3.2.3 快速多尺度检测 | 第37-38页 |
| 3.3 模型的训练及评价指标 | 第38-39页 |
| 3.4 车辆检测训练流程 | 第39-40页 |
| 3.5 车辆检测性能实验 | 第40-43页 |
| 3.5.1 模型参数调整优化 | 第42-43页 |
| 3.5.2 特征优化对比实验分析 | 第43页 |
| 3.6 本章小结 | 第43-45页 |
| 第4章 基于SVM分类器的车辆检测方法 | 第45-57页 |
| 4.1 SVM分类器 | 第45-48页 |
| 4.1.1 线性可分支持向量机 | 第45-46页 |
| 4.1.2 最大间隔原则 | 第46-47页 |
| 4.1.3 规范超平面 | 第47页 |
| 4.1.4 函数间隔 | 第47页 |
| 4.1.5 几何间隔 | 第47页 |
| 4.1.6 最大间隔原则 | 第47-48页 |
| 4.2 支持向量机的最优化问题 | 第48-50页 |
| 4.3 SVM相对于AdaBoost算法的比较 | 第50-52页 |
| 4.4 多视角SVM融合模型 | 第52-55页 |
| 4.4.1 多视角数据库的建立 | 第52-53页 |
| 4.4.2 多视角SVM融合实验分析 | 第53-55页 |
| 4.5 本章小结 | 第55-57页 |
| 第5章 总结和展望 | 第57-59页 |
| 5.1 全文总结 | 第57页 |
| 5.2 研究展望 | 第57-59页 |
| 参考文献 | 第59-63页 |
| 致谢 | 第63-64页 |
| 个人简介、在学期间发表的学术论文及研究成果 | 第64页 |
