| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景和意义 | 第11-13页 |
| 1.1.1 研究背景 | 第11-12页 |
| 1.1.2 应用需求和研究意义 | 第12-13页 |
| 1.2 车辆识别研究现状 | 第13-15页 |
| 1.2.1 车型识别 | 第13-14页 |
| 1.2.2 颜色识别 | 第14-15页 |
| 1.3 面临的问题与研究内容 | 第15-18页 |
| 1.3.1 车辆检测 | 第16-17页 |
| 1.3.2 车辆特征提取与识别 | 第17页 |
| 1.3.3 车辆颜色识别 | 第17-18页 |
| 1.4 论文章节安排 | 第18-19页 |
| 第二章 基于AdaBoost的车辆检测技术 | 第19-30页 |
| 2.1 车辆特征描述 | 第20-22页 |
| 2.1.1 Haar特征 | 第20-21页 |
| 2.1.2 Haar特征计算-积分图 | 第21-22页 |
| 2.2 AdaBoost学习算法 | 第22-28页 |
| 2.2.1 AdaBoost算法 | 第22-23页 |
| 2.2.2 弱分类器的训练 | 第23-24页 |
| 2.2.3 强分类器——弱分类器的组合 | 第24-25页 |
| 2.2.4 强分类器的级联 | 第25-28页 |
| 2.3 车辆检测 | 第28-29页 |
| 2.4 本章小结 | 第29-30页 |
| 第三章 车辆特征提取与车型识别 | 第30-43页 |
| 3.1 车辆图像预处理--归一化 | 第30-33页 |
| 3.1.1 大小归一化 | 第30页 |
| 3.1.2 灰度分布归一化--直方图均衡化 | 第30-32页 |
| 3.1.3 方向归一化 | 第32-33页 |
| 3.2 车辆LBP特征描述 | 第33-36页 |
| 3.2.1 LBP特征直方图对比 | 第35-36页 |
| 3.2.2 LBP特征不足 | 第36页 |
| 3.3 基于Gabor变换的车辆局部特征提取 | 第36-42页 |
| 3.3.1 图像Gabor小波变换基础 | 第36-39页 |
| 3.3.2 基于Gabor变换以及LBP特征的车辆识别方法 | 第39-42页 |
| 3.4 车标辅助类型识别 | 第42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 车身颜色识别 | 第43-59页 |
| 4.1 颜色理论 | 第43-47页 |
| 4.1.1 颜色基本特性 | 第43-44页 |
| 4.1.2 颜色空间 | 第44-47页 |
| 4.2 颜色识别区域定位 | 第47-48页 |
| 4.3 车辆颜色特点和规律 | 第48-50页 |
| 4.3.1 颜色特点 | 第48-49页 |
| 4.3.2 颜色统计规律 | 第49-50页 |
| 4.4 多分类器融合的颜色识别 | 第50-57页 |
| 4.4.1 SVM分类器 | 第51-55页 |
| 4.4.2 贝叶斯分类器 | 第55-57页 |
| 4.4.3 多分类器的集成 | 第57页 |
| 4.5 本章小结 | 第57-59页 |
| 第五章 系统开发和实验 | 第59-66页 |
| 5.1 系统程序开发平台和框架 | 第59-60页 |
| 5.2 样本集 | 第60-63页 |
| 5.2.1 车辆检测训练样本子集 | 第60-61页 |
| 5.2.2 车标训练样本子集 | 第61-62页 |
| 5.2.3 车型标准样本子集 | 第62页 |
| 5.2.4 不同车身颜色训练样本 | 第62-63页 |
| 5.3 实验结果 | 第63-66页 |
| 5.3.1 车辆检测实验结果 | 第63-64页 |
| 5.3.2 车型识别结果 | 第64-65页 |
| 5.3.3 车辆颜色识别结果 | 第65-66页 |
| 第六章 总结与展望 | 第66-68页 |
| 6.1 总结 | 第66页 |
| 6.2 展望 | 第66-68页 |
| 致谢 | 第68-69页 |
| 参考文献 | 第69-73页 |
| 硕士期间成果列表 | 第73-75页 |