| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第10-16页 |
| 1.1 车标识别的研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-14页 |
| 1.2.1 车标定位技术现状 | 第11-12页 |
| 1.2.2 车标识别研究现状 | 第12-14页 |
| 1.3 课题主要研究内容 | 第14-15页 |
| 1.4 论文结构安排 | 第15-16页 |
| 第二章 数字图像预处理介绍 | 第16-22页 |
| 2.1 数字图像的灰度化 | 第16-17页 |
| 2.2 颜色空间转换 | 第17-18页 |
| 2.3 彩色图像二值化 | 第18-19页 |
| 2.4 形态学处理 | 第19页 |
| 2.5 尺寸归一化 | 第19-21页 |
| 2.6 本章小结 | 第21-22页 |
| 第三章 基于尺度不变特征的车标定位方法的研究 | 第22-37页 |
| 3.1 基于尺度不变特征的车标定位方法介绍 | 第22-23页 |
| 3.2 尺度不变特征surf算法介绍 | 第23-28页 |
| 3.3 基于Gabor滤波器的特征提取 | 第28-29页 |
| 3.4 BP神经网络 | 第29-32页 |
| 3.5 实验结果及分析 | 第32-36页 |
| 3.5.1 尺度不变特征的车标区域粗定位 | 第32-35页 |
| 3.5.2 车标区域的精确定位 | 第35-36页 |
| 3.6 本章小结 | 第36-37页 |
| 第四章 基于 2DPCA代数特征提取的车标识别方法研究 | 第37-57页 |
| 4.1 主成分分析介绍 | 第37-40页 |
| 4.1.1 主成分分析（PCA） | 第37-38页 |
| 4.1.2 核主成分分析（KPCA） | 第38-40页 |
| 4.2 二维主成分分析相关方法介绍 | 第40-44页 |
| 4.2.1 二维主成分分析（2DPCA） | 第40-41页 |
| 4.2.2 基于样本中值的双边二维主成分分析（MBDPCA） | 第41-42页 |
| 4.2.3 基于核的二维主成分分析（2DKPCA） | 第42-43页 |
| 4.2.4 基于模块的二维主成分分析（Modula2DPCA） | 第43-44页 |
| 4.3 线性判别分析相关方法介绍 | 第44-49页 |
| 4.3.1 Fisher线性判别分析（LDA） | 第44-46页 |
| 4.3.2 基于核的Fisher线性判别分析（KLDA） | 第46-48页 |
| 4.3.3 二维线性判别分析（2DLDA） | 第48-49页 |
| 4.4 结合主成分分析和线性判别分析的车标识别方法 | 第49-50页 |
| 4.4.1 结合（核）主成分分析和线性判别分析的车标识别方法 | 第49页 |
| 4.4.2 结合 2DPCA和 2DLDA的车标识别方法 | 第49-50页 |
| 4.5 实验结果及分析 | 第50-56页 |
| 4.5.1 鉴别矢量数对识别率的影响 | 第51-53页 |
| 4.5.2 训练样本数与识别率的关系 | 第53-54页 |
| 4.5.3 2DPCA和基于代数特征提取的各类车标识别算法的对比与分析 | 第54-56页 |
| 4.6 本章小结 | 第56-57页 |
| 第五章 基于深度学习的车标识别方法研究 | 第57-70页 |
| 5.1 传统模式识别方法简介 | 第57-59页 |
| 5.2 深度学习概述 | 第59-60页 |
| 5.3 受限的玻尔兹曼机和深度信念网 | 第60-64页 |
| 5.4 基于深度信念网（DBN）的车标识别实验结果及分析 | 第64-69页 |
| 5.4.1 隐藏层节点数和识别率的关系研究 | 第64-65页 |
| 5.4.2 图像在不同分辨率和训练样本数下DBN的识别率研究 | 第65-67页 |
| 5.4.3 DBN和传统模式识别方法的对比研究 | 第67-69页 |
| 5.5 本章小结 | 第69-70页 |
| 总结与展望 | 第70-72页 |
| 参考文献 | 第72-77页 |
| 致谢 | 第77页 |
