基于机器视觉的前方车辆检测与跟踪
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外现状研究 | 第12-18页 |
| 1.2.1 国外研究现状 | 第12-16页 |
| 1.2.2 国内研究现状 | 第16-18页 |
| 1.3 论文主要研究内容和章节安排 | 第18-20页 |
| 1.3.1 主要研究内容 | 第18-20页 |
| 1.3.2 论文的章节安排 | 第20页 |
| 1.4 本章小结 | 第20-21页 |
| 第二章 车辆特征研究 | 第21-36页 |
| 2.1 常用车辆特征描述算子 | 第21-26页 |
| 2.1.1 HOG特征 | 第21-25页 |
| 2.1.2 Haar-like特征 | 第25页 |
| 2.1.3 阴影特征和对称性特征 | 第25-26页 |
| 2.2 扩展Haar-like特征和积分图像法 | 第26-32页 |
| 2.2.1 车辆Haar-like特征选取 | 第26-28页 |
| 2.2.2 Haar-like特征数量 | 第28-29页 |
| 2.2.3 积分图像法 | 第29-32页 |
| 2.3 感兴区域提取 | 第32-35页 |
| 2.3.1 边缘检测算子 | 第32-34页 |
| 2.3.2 对称性特征提取ROI | 第34-35页 |
| 2.4 本章小结 | 第35-36页 |
| 第三章 机器学习算法研究 | 第36-46页 |
| 3.1 自适应增强算法 | 第36-40页 |
| 3.1.1 算法流程 | 第37-38页 |
| 3.1.2 求解过程 | 第38-40页 |
| 3.2 支持向量机 | 第40-43页 |
| 3.3 K近邻法 | 第43-44页 |
| 3.4 决策树 | 第44页 |
| 3.5 朴素贝叶斯法 | 第44-45页 |
| 3.6 本章小结 | 第45-46页 |
| 第四章 基于AdaBoost的前方车辆识别 | 第46-62页 |
| 4.1 图像预处理 | 第46-49页 |
| 4.1.1 图像灰度化 | 第46-48页 |
| 4.1.2 图像滤波去噪 | 第48-49页 |
| 4.2 多特征融合 | 第49-52页 |
| 4.2.1 感兴趣区域提取 | 第49-50页 |
| 4.2.2 类Haar特征选取 | 第50-52页 |
| 4.3 分类器训练 | 第52-54页 |
| 4.4 识别算法设计 | 第54-55页 |
| 4.4.1 多尺度变换方法 | 第54页 |
| 4.4.2 奖惩窗口融合方案 | 第54-55页 |
| 4.5 实现流程及实验结果 | 第55-61页 |
| 4.5.1 不同样本下识别结果 | 第56-59页 |
| 4.5.2 不同环境下识别结果 | 第59-61页 |
| 4.6 本章小结 | 第61-62页 |
| 第五章 车辆跟踪算法研究 | 第62-73页 |
| 5.1 常用的车辆跟踪技术 | 第62-65页 |
| 5.1.1 基于特征匹配的跟踪方法 | 第62页 |
| 5.1.2 基于模型的跟踪方法 | 第62-63页 |
| 5.1.3 基于区域的跟踪方法 | 第63-64页 |
| 5.1.4 基于轮廓匹配的跟踪方法 | 第64页 |
| 5.1.5 基于Camshift的跟踪方法 | 第64-65页 |
| 5.1.6 基于卡尔曼滤波的跟踪方法 | 第65页 |
| 5.2 卡尔曼滤波原理 | 第65-67页 |
| 5.3 基于卡尔曼滤波的车辆跟踪算法 | 第67-69页 |
| 5.4 实验结果与分析 | 第69-71页 |
| 5.5 本章小结 | 第71-73页 |
| 结论与展望 | 第73-75页 |
| 一.总结 | 第73页 |
| 二.展望 | 第73-75页 |
| 致谢 | 第75-76页 |
| 参考文献 | 第76-81页 |
| 攻读硕士学位期间发表论文与参与项目 | 第81页 |
