基于区域分类与目标检测相融合的交通场景分析
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7页 |
| 1 引言 | 第10-15页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.3 本文主要内容 | 第13-15页 |
| 1.3.1 论文研究内容 | 第13-14页 |
| 1.3.2 论文各章安排 | 第14-15页 |
| 2 基于图论的交通图像分割 | 第15-25页 |
| 2.1 图的基本概念 | 第16-20页 |
| 2.1.1 图的定义 | 第16-17页 |
| 2.1.2 加权图 | 第17-18页 |
| 2.1.3 生成树 | 第18页 |
| 2.1.4 图的表示 | 第18-20页 |
| 2.2 最小生成树算法 | 第20-21页 |
| 2.3 基于图论的图像处理技术的优势 | 第21页 |
| 2.4 基于图论的区域分割 | 第21-24页 |
| 2.5 本章小结 | 第24-25页 |
| 3 基于多尺度空间的目标检测 | 第25-42页 |
| 3.1 多尺度空间的建立 | 第25-29页 |
| 3.1.1 尺度空间的表示 | 第26页 |
| 3.1.2 高斯金字塔的构建 | 第26-29页 |
| 3.2 特征提取 | 第29-33页 |
| 3.2.1 梯度特征 | 第29-31页 |
| 3.2.2 颜色特征 | 第31-33页 |
| 3.3 分类器设计 | 第33-41页 |
| 3.3.1 SVM分类器 | 第34-38页 |
| 3.3.2 AdaBoost分类器 | 第38-41页 |
| 3.4 本章小结 | 第41-42页 |
| 4 交通场景分析系统 | 第42-55页 |
| 4.1 场景全局特征 | 第43-48页 |
| 4.1.1 Gist特征 | 第43-45页 |
| 4.1.2 颜色直方图特征 | 第45-47页 |
| 4.1.3 空间金字塔特征 | 第47-48页 |
| 4.2 基于图像超像素的场景分类 | 第48-52页 |
| 4.2.1 相似图像集获取 | 第49-50页 |
| 4.2.2 超像素特征描述 | 第50-51页 |
| 4.2.3 超像素类别标注 | 第51-52页 |
| 4.3 融合多目标检测结果与超像素分类结果 | 第52-53页 |
| 4.4 引入上下文信息 | 第53页 |
| 4.5 本章小结 | 第53-55页 |
| 5 实验结论 | 第55-61页 |
| 5.1 实验数据库 | 第55-57页 |
| 5.2 算法评价指标 | 第57页 |
| 5.3 实验结果对比 | 第57-60页 |
| 5.3.1 不同参数与不同特征的影响 | 第58-59页 |
| 5.3.2 与其他方法的对比 | 第59-60页 |
| 5.4 实验结果分析 | 第60页 |
| 5.5 本章小结 | 第60-61页 |
| 6 总结与展望 | 第61-63页 |
| 6.1 工作总结 | 第61页 |
| 6.2 展望 | 第61-63页 |
| 参考文献 | 第63-66页 |
| 作者简历 | 第66-68页 |
| 学位论文数据集 | 第68页 |
