| 摘要 | 第7-9页 |
| ABSTRACT | 第9-10页 |
| 第一章 绪论 | 第11-21页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状及研究难点 | 第12-15页 |
| 1.2.1 国内外研究现状 | 第12-14页 |
| 1.2.2 研究难点 | 第14-15页 |
| 1.3 常用的特征提取算法概述 | 第15-17页 |
| 1.3.1 HOG特征 | 第15-16页 |
| 1.3.2 LBP特征 | 第16-17页 |
| 1.3.3 SIFT特征 | 第17页 |
| 1.4 深度学习及卷积神经网络概述 | 第17-19页 |
| 1.5 研究内容与论文结构 | 第19-21页 |
| 第二章 图像预处理 | 第21-26页 |
| 2.1 车脸图像尺寸归一化 | 第21页 |
| 2.2 数据库建立 | 第21-24页 |
| 2.2.1 运动模糊 | 第21-23页 |
| 2.2.2 平移旋转 | 第23页 |
| 2.2.3 亮度调整 | 第23-24页 |
| 2.3 算法性能评价 | 第24-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第三章 基于SIFT算法的车型识别及K-邻近算法介绍 | 第26-39页 |
| 3.1 K-邻近算法的基本思想 | 第26-27页 |
| 3.2 传统的SIFT特征提取算法 | 第27-34页 |
| 3.2.1 SIFT算法的基本思想 | 第27-31页 |
| 3.2.2 提取车脸特征实验及分析 | 第31-34页 |
| 3.3 基于SUSAN算子的改进 | 第34-38页 |
| 3.3.1 SUSAN算子角点检测 | 第35-37页 |
| 3.3.2 改进后的实验结果及分析 | 第37-38页 |
| 3.4 本章小结 | 第38-39页 |
| 第四章 基于深度卷积神经网络的车型识别 | 第39-54页 |
| 4.1 卷积神经网络 | 第39-44页 |
| 4.1.1 卷积神经网络的整体架构 | 第40-42页 |
| 4.1.2 卷积神经网络的训练 | 第42-44页 |
| 4.2 卷积神经网络的构建 | 第44-51页 |
| 4.2.1 特征映射层的确定 | 第45-47页 |
| 4.2.2 CNN层数的确定 | 第47-48页 |
| 4.2.3 卷积核大小的选取 | 第48-49页 |
| 4.2.4 确定卷积神经网络模型 | 第49-51页 |
| 4.3 基于卷积神经网络的车型识别 | 第51-53页 |
| 4.3.1 特征提取可视化 | 第51-52页 |
| 4.3.2 实验结果及分析 | 第52-53页 |
| 4.4 本章小结 | 第53-54页 |
| 第五章 总结与展望 | 第54-56页 |
| 参考文献 | 第56-59页 |
| 攻读硕士学位期间发表的论文及软件专利 | 第59-60页 |
| 攻读硕士学位期间参与的项目 | 第60-61页 |
| 致谢 | 第61页 |