| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 绪论 | 第9-14页 |
| 1.1 课题背景 | 第9-10页 |
| 1.2 车辆检测算法概况 | 第10-12页 |
| 1.2.1 差分图像法 | 第10页 |
| 1.2.2 边缘检测法 | 第10-11页 |
| 1.2.3 基于光流场的车辆检测方法 | 第11页 |
| 1.2.4 基于特征的检测算法 | 第11-12页 |
| 1.3 本文主要研究内容 | 第12-13页 |
| 1.4 论文组织 | 第13页 |
| 1.5 本章小结 | 第13-14页 |
| 第2章 车辆检测相关技术 | 第14-29页 |
| 2.1 边缘检测算子 | 第14-17页 |
| 2.1.1 梯度 | 第14-15页 |
| 2.1.2 一阶微分算子 | 第15-16页 |
| 2.1.3 二阶微分算子 | 第16-17页 |
| 2.2 车辆图像特征 | 第17-23页 |
| 2.2.1 Moravec 算子 | 第17-18页 |
| 2.2.2 SUSAN 算子 | 第18页 |
| 2.2.3 SIFT 算子 | 第18-19页 |
| 2.2.4 Harr-like 算子 | 第19-20页 |
| 2.2.5 HOG 算子 | 第20-23页 |
| 2.3 车辆检测分类器理论 | 第23-28页 |
| 2.3.1 Adaboosting 算法 | 第23-24页 |
| 2.3.2 SVM 算法 | 第24-26页 |
| 2.3.3 传统的级联分类器设计 | 第26-28页 |
| 2.4 本章小结 | 第28-29页 |
| 第3章 基于多特征级联分类器的车辆检测设计 | 第29-35页 |
| 3.1 基于 Harr-like 特征和 HOG 特征的级联分类器设计 | 第29-32页 |
| 3.1.1 基于 Harr-like 特征的弱分类器 | 第30页 |
| 3.1.2 基于 HOG 特征的弱分类器 | 第30-31页 |
| 3.1.3 两个弱分类器的学习 | 第31-32页 |
| 3.2 结合 SVM 的级联分类器 | 第32-34页 |
| 3.3 本章小结 | 第34-35页 |
| 第4章 实验 | 第35-44页 |
| 4.1 实验环境 | 第35页 |
| 4.2 实验样本的选取 | 第35-37页 |
| 4.2.1 训练样本集建立 | 第35-36页 |
| 4.2.2 测试样本集建立 | 第36-37页 |
| 4.3 分类器训练 | 第37-43页 |
| 4.3.1 训练过程代码 | 第37-38页 |
| 4.3.2 训练分类器参数 | 第38-39页 |
| 4.3.3 分类器性能分析 | 第39-43页 |
| 4.4 本章小结 | 第43-44页 |
| 第5章 结论与展望 | 第44-46页 |
| 5.1 全文总结 | 第44页 |
| 5.2 展望 | 第44-46页 |
| 参考文献 | 第46-49页 |
| 作者简介及在学期间所取得的科研成果 | 第49-50页 |
| 致谢 | 第50页 |