车型识别研究
| 摘要 | 第1-4页 |
| ABSTRACT | 第4-7页 |
| 第一章 绪论 | 第7-14页 |
| ·课题的意义与背景分析 | 第7-12页 |
| ·智能交通系统 | 第7-9页 |
| ·车型识别系统 | 第9-10页 |
| ·国内外的研究现状 | 第10-12页 |
| ·论文的主要工作及章节安排 | 第12-14页 |
| 第二章 图像的预处理技术 | 第14-22页 |
| ·颜色空间 | 第14-17页 |
| ·从 RGB 彩色空间转换为 HSV 彩色空间 | 第15-16页 |
| ·从 HSV 彩色空间转换为 RGB 彩色空间 | 第16-17页 |
| ·图像平滑 | 第17-18页 |
| ·图像的形态学处理 | 第18-22页 |
| ·一些基本形态学算法 | 第20-22页 |
| 第三章 视频运动目标检测与跟踪算法 | 第22-34页 |
| ·车辆的检测与跟踪概述 | 第22页 |
| ·车辆的检测方法分类 | 第22-28页 |
| ·基于帧间差分的方法 | 第23-24页 |
| ·基于光流场的方法 | 第24-27页 |
| ·基于背景差分的方法 | 第27-28页 |
| ·运动跟踪方法综述与分类 | 第28-32页 |
| ·基于卡尔曼滤波的车辆跟踪 | 第32-34页 |
| 第四章 背景更新算法的研究 | 第34-40页 |
| ·图像背景简介 | 第34-38页 |
| ·统计学背景模型 | 第34-36页 |
| ·高斯混合模型 | 第36-37页 |
| ·基于卡尔曼滤波器的背景模型 | 第37-38页 |
| ·背景更新方法 | 第38-40页 |
| 第五章 图像特征提取与选择 | 第40-49页 |
| ·图像特征提取 | 第40-47页 |
| ·宽度特征 | 第40-41页 |
| ·面积特征 | 第41-42页 |
| ·直线长度特征 | 第42-45页 |
| ·边缘检测 | 第45-47页 |
| ·基于特征提取的车型分类 | 第47-49页 |
| 第六章 基于支持向量机的车型分类器 | 第49-58页 |
| ·统计学习理论概述 | 第49-52页 |
| ·经验风险最小化 | 第49-50页 |
| ·VC 维的概念 | 第50页 |
| ·推广性的界 | 第50-51页 |
| ·结构风险最小化 | 第51-52页 |
| ·支持向量机 | 第52-58页 |
| ·最优超平面 | 第53-55页 |
| ·广义最优超平面 | 第55-56页 |
| ·SVM 的优点 | 第56-58页 |
| 第七章 基于主成分分析的车型分类器 | 第58-72页 |
| ·主成分分析 | 第58-59页 |
| ·主成分的概念 | 第59-60页 |
| ·主成分的计算 | 第60-63页 |
| ·样本主成分 | 第63页 |
| ·主成分的选取 | 第63-64页 |
| ·基于主成分分析的车型识别 | 第64-68页 |
| ·整合特征提取与主成分分析的车型识别 | 第68-72页 |
| 第八章 总结与展望 | 第72-73页 |
| ·总结 | 第72页 |
| ·展望 | 第72-73页 |
| 参考文献 | 第73-76页 |
| 致谢 | 第76-77页 |
| 攻读硕士学位期间已发表或录用的论文 | 第77-79页 |
