| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 智能交通系统的结构和功能 | 第10-12页 |
| 1.2 智能交通系统的发展历史和现状 | 第12-15页 |
| 1.2.1 视频车辆检测的国外研究现状 | 第12-14页 |
| 1.2.2 视频车辆检测的国内研究现状 | 第14-15页 |
| 1.3 车辆检测系统 | 第15-16页 |
| 1.4 计算机视觉中的目标识别技术 | 第16-17页 |
| 1.5 本文的架构和主要内容 | 第17-18页 |
| 第二章 图像中的目标检测方法 | 第18-24页 |
| 2.1 基于知识的方法 | 第18-20页 |
| 2.2 基于运动的方法 | 第20页 |
| 2.3 基于频差或者视差上的机器立体视觉检测 | 第20-21页 |
| 2.4 基于像素灰度变化的方法 | 第21-23页 |
| 2.4.1 帧差法 | 第22页 |
| 2.4.2 背景差分法 | 第22-23页 |
| 2.5 本章小结 | 第23-24页 |
| 第三章 待检测图像的预处理 | 第24-32页 |
| 3.1 图像去噪 | 第24-28页 |
| 3.1.1 均值滤波 | 第24页 |
| 3.1.2 自适应维纳滤波 | 第24-25页 |
| 3.1.3 中值滤波 | 第25-26页 |
| 3.1.4 形态学滤波 | 第26-27页 |
| 3.1.5 小波滤波 | 第27-28页 |
| 3.2 图像平滑 | 第28页 |
| 3.3 阴影去除技术 | 第28-29页 |
| 3.4 样本图像归一化 | 第29-30页 |
| 3.5 直方图均衡 | 第30-31页 |
| 3.6 本章小结 | 第31-32页 |
| 第四章 现有目标识别的方法和AdaBoost算法描述 | 第32-40页 |
| 4.1 现存经典识别方法 | 第32-37页 |
| 4.1.1 神经网络 | 第32-34页 |
| 4.1.2 基于样本学习方法 | 第34页 |
| 4.1.3 支持向量机 | 第34-36页 |
| 4.1.4 隐马尔科夫模型 | 第36-37页 |
| 4.2 AdaBoost算法 | 第37-39页 |
| 4.2.1 基本介绍 | 第37页 |
| 4.2.2 主要解决问题 | 第37-38页 |
| 4.2.3 过程分析 | 第38页 |
| 4.2.4 存在的一般问题和可能的解决方向 | 第38-39页 |
| 4.3 本章小结 | 第39-40页 |
| 第五章 AdaBoost算法实现的理论准备 | 第40-50页 |
| 5.1 AdaBoost的前身 | 第40-43页 |
| 5.1.1 PAC学习模型 | 第40-42页 |
| 5.1.2 弱学习和强学习 | 第42-43页 |
| 5.2 矩形特征 | 第43-46页 |
| 5.2.1 矩形特征定义 | 第43-44页 |
| 5.2.2 检测器内矩形特征的数量 | 第44-46页 |
| 5.3 积分图 | 第46-49页 |
| 5.3.1 积分图定义 | 第46-48页 |
| 5.3.2 矩形特征值的计算 | 第48-49页 |
| 5.4 本章小结 | 第49-50页 |
| 第六章 系统的实现实验和中间结果 | 第50-62页 |
| 6.1 系统基本概述 | 第50页 |
| 6.2 系统的硬件实验条件 | 第50-51页 |
| 6.3 软件开发平台及其实现 | 第51-53页 |
| 6.4 本文中的帧差法 | 第53-55页 |
| 6.5 帧差图像预处理 | 第55-56页 |
| 6.6 本文中的AdaBoost步骤 | 第56-57页 |
| 6.7 最佳弱分类器的产生 | 第57-61页 |
| 6.7.1 特征值 | 第57-60页 |
| 6.7.2 每一轮中最佳弱分类器的选取 | 第60-61页 |
| 6.8 图像检测 | 第61-62页 |
| 第七章 识别结果和分析 | 第62-65页 |
| 7.1 实验结果 | 第62-64页 |
| 7.2 总结和展望 | 第64-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-69页 |
| 附录A (攻读硕士学位期间论文发表情况) | 第69页 |