基于SURF算子的车型识别方法
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 1 绪论 | 第9-13页 |
| 1.1 背景和意义 | 第9页 |
| 1.2 研究现状 | 第9-11页 |
| 1.2.1 基于外形的车型分类方法 | 第10-11页 |
| 1.2.2 基于模型的车型分类方法 | 第11页 |
| 1.3 本文工作与文章结构 | 第11-12页 |
| 1.4 本章小结 | 第12-13页 |
| 2 汽车号牌定位与图像关键区域分割 | 第13-27页 |
| 2.1 中国汽车号牌的标准与规格 | 第13-14页 |
| 2.2 经典的定位算法 | 第14-15页 |
| 2.2.1 基于机器学习的算法 | 第14页 |
| 2.2.2 基于颜色特征的算法 | 第14-15页 |
| 2.2.3 基于目标区域频谱特征的算法 | 第15页 |
| 2.2.4 基于号牌边缘特征的算法 | 第15页 |
| 2.3 基于Sobel算子的号牌定位算法 | 第15-26页 |
| 2.3.1 图像的灰度化 | 第16-17页 |
| 2.3.2 经典的边缘检测算子 | 第17-20页 |
| 2.3.3 本文的Sobel算子 | 第20-21页 |
| 2.3.4 边缘化图像的阈值化分割 | 第21-22页 |
| 2.3.5 图像的数学形态学处理 | 第22-25页 |
| 2.3.6 目标区域的精确定位 | 第25-26页 |
| 2.4 汽车关键区域分割 | 第26页 |
| 2.5 本章小结 | 第26-27页 |
| 3 图像特征提取 | 第27-38页 |
| 3.1 图像的形状特征 | 第27-30页 |
| 3.1.1 傅里叶描述子 | 第27页 |
| 3.1.2 HU矩 | 第27-29页 |
| 3.1.3 Zernike矩 | 第29-30页 |
| 3.2 图像的局部特征描述子 | 第30-31页 |
| 3.3 本文选择的SURF特征描述子 | 第31-37页 |
| 3.3.1 特征点的检测 | 第31-34页 |
| 3.3.2 特征点的主方向的确定 | 第34-35页 |
| 3.3.3 SURF特征描述子的构造 | 第35-36页 |
| 3.3.4 特征匹配 | 第36-37页 |
| 3.4 本章小结 | 第37-38页 |
| 4 数值实验与结果 | 第38-46页 |
| 4.1 实验的软、硬件平台 | 第38-39页 |
| 4.2 白昼条件下前视图实验 | 第39-42页 |
| 4.2.1 车型识别的算法框架 | 第39-40页 |
| 4.2.2 数据采集与数据库构建 | 第40-41页 |
| 4.2.3 实验结果 | 第41-42页 |
| 4.3 弱光照条件下前视图实验 | 第42-44页 |
| 4.4 多角度视图实验 | 第44-45页 |
| 4.5 本章小结 | 第45-46页 |
| 结论 | 第46-47页 |
| 参考文献 | 第47-51页 |
| 附录A 各汽车品牌不同型号汽车数量占比 | 第51-54页 |
| 攻读硕士学位期间发表学术论文情况 | 第54-55页 |
| 致谢 | 第55-56页 |
