论文目录 | |
提要 | 第1-6页 |
摘要 | 第6-8页 |
Abstract | 第8-14页 |
第1章 绪论 | 第14-34页 |
1.1 研究背景和意义 | 第14-18页 |
1.1.1 研究背景 | 第14-17页 |
1.1.2 研究意义 | 第17-18页 |
1.2 课题的研究现状 | 第18-25页 |
1.2.1 车辆检测 | 第19-23页 |
1.2.2 车辆跟踪 | 第23-25页 |
1.3 主要测评用数据库及指标 | 第25-31页 |
1.3.1 测评用测试集 | 第25-30页 |
1.3.2 算法衡量指标 | 第30-31页 |
1.4 论文章节安排 | 第31-34页 |
第2章 行车环境下的车辆检测方法研究 | 第34-60页 |
2.1 引言 | 第34页 |
2.2 基于车辆特征的车辆检测方法 | 第34-44页 |
2.2.1 基于车底阴影特征的车辆检测算法 | 第34-36页 |
2.2.2 基于水平边缘车辆波的车辆检测算法 | 第36-38页 |
2.2.3 基于对称性熵的车辆检测算法 | 第38-39页 |
2.2.4 基于车辆尾灯特征的车辆检测算法 | 第39-41页 |
2.2.5 基于使用表观特征与 Active Learning 相结合的车辆检测算法 | 第41-44页 |
2.3 基于投票法的多特征融合车辆检测方法 | 第44-46页 |
2.4 基于运动轨迹的多特征融合车辆检测算法 | 第46-48页 |
2.5 实验与分析 | 第48-58页 |
2.5.1 车底阴影特征算法实验 | 第48-52页 |
2.5.2 水平边缘车辆波算法实验 | 第52-54页 |
2.5.3 车辆对称性熵值算法实验 | 第54-55页 |
2.5.4 尾灯特征的车辆检测算法实验 | 第55页 |
2.5.5 车辆表观特征分类器检测算法实验 | 第55-56页 |
2.5.6 基于投票法的多特征融合车辆检测算法实验 | 第56-57页 |
2.5.7 基于运动轨迹的多特征融合车辆检测算法实验 | 第57-58页 |
2.6 算法对比 | 第58页 |
2.7 算法结论 | 第58-60页 |
第3章 基于决策理论的多特征融合车辆检测方法 | 第60-74页 |
3.1 引言 | 第60页 |
3.2 D-S 证据理论与 CHOQUET 积分介绍 | 第60-63页 |
3.2.1 Dempster-Shafer 证据理论 | 第60-61页 |
3.2.2 Choquet 积分 | 第61-63页 |
3.3 特征算法结果模糊化表达 | 第63-64页 |
3.3.1 对称性熵的模糊化表示 | 第63页 |
3.3.2 尾灯特征的模糊化表示 | 第63页 |
3.3.3 表观特征分类器的模糊化表示 | 第63-64页 |
3.4 基于 DEMPSTER-SHAFER 证据理论的多特征融合车辆检测算法 | 第64-66页 |
3.5 基于 CHOQUET 积分的多特征融合车辆检测算法 | 第66-68页 |
3.6 实验与分析 | 第68-73页 |
3.6.1 参数设置 | 第68-70页 |
3.6.2 算法结果 | 第70-72页 |
3.6.3 算法对比 | 第72-73页 |
3.7 算法结论 | 第73-74页 |
第4章 基于 CO-TRAINING 框架的离在线学习相结合的车辆跟踪方法 | 第74-90页 |
4.1 引言 | 第74页 |
4.2 基于 ON-LINE ADABOOST 的目标跟踪算法 | 第74-78页 |
4.2.1 基本概念介绍 | 第74-76页 |
4.2.2 Online AdaBoost 算法步骤 | 第76-78页 |
4.3 车辆特征的表达和离线分类器的产生 | 第78-79页 |
4.4 离线学习和在线学习联合的跟踪框架 | 第79-81页 |
4.5 实验与分析 | 第81-88页 |
4.5.1 参数设置 | 第81-83页 |
4.5.2 算法结果 | 第83-85页 |
4.5.3 算法对比 | 第85-88页 |
4.6 算法结论 | 第88-90页 |
第5章 基于改进粒子滤波的多车辆跟踪方法 | 第90-110页 |
5.1 引言 | 第90-91页 |
5.2 粒子滤波基本理论 | 第91-93页 |
5.2.1 贝叶斯估计理论 | 第91-92页 |
5.2.2 蒙特卡罗积分 | 第92页 |
5.2.3 重要性采样 | 第92-93页 |
5.3 适应于多车辆跟踪的改进粒子滤波方法 | 第93-96页 |
5.4 基于归一化 MCRP 面积的目标初始和消失处理方法 | 第96-98页 |
5.5 跟踪过程中位置冲突问题的解决方法 | 第98-101页 |
5.6 实验与分析 | 第101-108页 |
5.6.1 参数设置 | 第102-104页 |
5.6.2 算法结果 | 第104-106页 |
5.6.3 算法对比 | 第106-108页 |
5.7 算法结论 | 第108-110页 |
第6章 总结和展望 | 第110-114页 |
参考文献 | 第114-124页 |
作者简介及在学期间所取得的科研成果 | 第124-127页 |
致谢 | 第127页 |