基于SVM算法的前方车辆视频检测
| 摘要 | 第6-8页 |
| ABSTRACT | 第8-10页 |
| 第一章 绪论 | 第11-16页 |
| 1.1 研究背景与研究问题 | 第11-12页 |
| 1.2 研究目标与研究意义 | 第12页 |
| 1.3 研究内容与研究方法 | 第12-13页 |
| 1.4 研究现状 | 第13-16页 |
| 第二章 理论基础 | 第16-26页 |
| 2.1 车辆特征 | 第16-20页 |
| 2.1.1 LBP算子 | 第16-18页 |
| 2.1.2 HOG算子 | 第18-20页 |
| 2.2 轮廓区域提取 | 第20-21页 |
| 2.3 半监督学习 | 第21-23页 |
| 2.4 SVM基础 | 第23-26页 |
| 第三章 算法设计 | 第26-44页 |
| 3.1 算法框架 | 第26-28页 |
| 3.2 特征提取 | 第28-32页 |
| 3.2.1 LBP特征提取 | 第28-30页 |
| 3.2.2 HOG特征提取 | 第30-32页 |
| 3.3 SVM分类器半监督学习算法 | 第32-38页 |
| 3.3.1 算法流程 | 第32-33页 |
| 3.3.2 训练图像预处理 | 第33页 |
| 3.3.3 半监督SVM分类器的学习 | 第33-38页 |
| 3.4 车辆检测 | 第38-42页 |
| 3.4.1 检测流程 | 第38-40页 |
| 3.4.2 中值滤波 | 第40页 |
| 3.4.3 图像锐化 | 第40-41页 |
| 3.4.4 轮廓提取 | 第41-42页 |
| 3.4.5 触发机制 | 第42页 |
| 3.5 小结 | 第42-44页 |
| 第四章 算法验证 | 第44-57页 |
| 4.1 实验环境与数据 | 第44页 |
| 4.2 实验程序设计 | 第44-46页 |
| 4.3 实验结果与分析 | 第46-56页 |
| 4.3.1 图像特征提取 | 第46-48页 |
| 4.3.2 轮廓区域提取 | 第48页 |
| 4.3.3 LBP+SVM分类器 | 第48-49页 |
| 4.3.4 HOG+SVM分类器 | 第49-50页 |
| 4.3.5 半监督SVM分类器 | 第50-51页 |
| 4.3.6 本文算法与其它算法的对比 | 第51-56页 |
| 4.4 小结 | 第56-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 主要工作 | 第57页 |
| 5.2 创新之处 | 第57-58页 |
| 5.3 不足与展望 | 第58-59页 |
| 参考文献 | 第59-62页 |
| 攻读硕士学位期间发表的学术论著 | 第62-63页 |
| 致谢 | 第63页 |
