| 摘要 | 第5-7页 |
| ABSTRACT | 第7-8页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-15页 |
| 1.1.1 机器视觉背景 | 第12页 |
| 1.1.2 辅助驾驶系统背景 | 第12-14页 |
| 1.1.3 课题研究目的及意义 | 第14-15页 |
| 1.2 国内外研究现状 | 第15-18页 |
| 1.2.1 车辆检测研究现状 | 第15-17页 |
| 1.2.2 车辆测距研究现状 | 第17-18页 |
| 1.3 论文主要工作及章节安排 | 第18-20页 |
| 1.3.1 论文主要工作 | 第18页 |
| 1.3.2 论文章节安排 | 第18-20页 |
| 第二章 特征分类的车辆检测算法理论 | 第20-42页 |
| 2.1 引言 | 第20页 |
| 2.2 图像特征描述 | 第20-31页 |
| 2.2.1 边缘检测特征基础 | 第20-23页 |
| 2.2.2 Sift特征 | 第23-26页 |
| 2.2.3 HOG特征 | 第26-29页 |
| 2.2.4 Haar-like特征 | 第29-31页 |
| 2.3 基于机器学习的车辆检测分类理论 | 第31-40页 |
| 2.3.1 Ada Boost提升算法 | 第31-35页 |
| 2.3.2 支持向量机算法（SVM） | 第35-40页 |
| 2.4 本章小结 | 第40-42页 |
| 第三章 基于Bag-of-Features特征的车辆检测算法 | 第42-58页 |
| 3.1 引言 | 第42页 |
| 3.2 本文车辆检测方法 | 第42-43页 |
| 3.2.1 算法提出的理论基础 | 第42页 |
| 3.2.2 车辆检测方法的设计 | 第42-43页 |
| 3.3 车辆假设存在区域确定 | 第43-45页 |
| 3.3.1 边缘检测算子的选择 | 第43-44页 |
| 3.3.2 车辆假设存在区域的提取 | 第44-45页 |
| 3.4 假设区域的验证 | 第45-55页 |
| 3.4.1 Bag-of-Features算法概述 | 第45-46页 |
| 3.4.2 K-means聚类 | 第46-48页 |
| 3.4.3 SURF特征描述 | 第48-51页 |
| 3.4.4 Bo F的构建过程 | 第51-54页 |
| 3.4.5 Bo F的构建过程总结 | 第54-55页 |
| 3.5 结果分析 | 第55-57页 |
| 3.6 本章小结 | 第57-58页 |
| 第四章 基于机器视觉的前方车辆距离测量算法 | 第58-76页 |
| 4.1 引言 | 第58页 |
| 4.2 摄像机成像原理 | 第58-61页 |
| 4.2.1 小孔成像模型及其变换形式 | 第58-60页 |
| 4.2.2 摄像机畸变 | 第60-61页 |
| 4.3 四种不同坐标系之间的相互转换 | 第61-63页 |
| 4.3.1 三维世界空间坐标系和摄像机坐标系之间的转换 | 第62页 |
| 4.3.2 摄像机坐标系和图像平面坐标系之间的转换 | 第62页 |
| 4.3.3 图像平面坐标系和帧存坐标系之间的转换 | 第62-63页 |
| 4.4 投影模型算法推导 | 第63-68页 |
| 4.4.1 参考文献[48]推导方法 | 第63-65页 |
| 4.4.2 本文推导方法 | 第65-68页 |
| 4.4.3 本文与文献[48]测距推导比较 | 第68页 |
| 4.5 摄像机标定 | 第68-73页 |
| 4.5.1 张正友平面标定方法 | 第68-70页 |
| 4.5.2 制作棋盘格 | 第70页 |
| 4.5.3 获取多幅棋盘格角点图像 | 第70-71页 |
| 4.5.4 计算摄像机内参矩阵和畸变参数 | 第71-72页 |
| 4.5.5 校正畸变 | 第72-73页 |
| 4.6 摄像机标定结合投影模型进行测距 | 第73-75页 |
| 4.6.1 本文测距方法 | 第73-74页 |
| 4.6.2 本文与文献[48]测距结果对比 | 第74-75页 |
| 4.7 本章小结 | 第75-76页 |
| 第五章 总结与展望 | 第76-78页 |
| 5.1 研究工作的总结 | 第76页 |
| 5.2 研究工作的展望 | 第76-78页 |
| 参考文献 | 第78-82页 |
| 攻读硕士学位期间发表的学术论文 | 第82-84页 |
| 致谢 | 第84页 |
