| 摘要 | 第5-6页 |
| Abstract | 第6页 |
| 第1章 绪论 | 第11-20页 |
| 1.1 引言 | 第11页 |
| 1.2 课题研究背景及意义 | 第11-12页 |
| 1.3 智能汽车的国内外研究现状 | 第12-15页 |
| 1.3.1 智能汽车的国外研究现状 | 第12-14页 |
| 1.3.2 智能汽车的国内研究现状 | 第14-15页 |
| 1.4 前车检测与跟踪方法的研究现状 | 第15-18页 |
| 1.4.1 前车检测的研究现状 | 第15-16页 |
| 1.4.2 前车跟踪的研究现状 | 第16-18页 |
| 1.5 课题的主要内容和章节安排 | 第18-20页 |
| 1.5.1 课题主要内容 | 第18页 |
| 1.5.2 全文各章节安排 | 第18-20页 |
| 第2章 待检测图像的预处理 | 第20-26页 |
| 2.1 感兴趣区域分割 | 第20页 |
| 2.2 彩色图像灰度化 | 第20-22页 |
| 2.3 图像滤波去噪 | 第22-24页 |
| 2.3.1 高斯滤波法 | 第22-23页 |
| 2.3.2 邻域滤波法 | 第23-24页 |
| 2.3.3 中值滤波法 | 第24页 |
| 2.4 本章小结 | 第24-26页 |
| 第3章 基于阴影与车宽约束的车辆假设生成 | 第26-42页 |
| 3.1 车底阴影检测方法简介 | 第26-27页 |
| 3.2 基于直方图峰谷分析法的阴影分割 | 第27-30页 |
| 3.3 阴影二值图像形态学处理 | 第30-32页 |
| 3.4 阴影区域标记 | 第32-34页 |
| 3.5 基于车辆属性约束条件的车辆假设生成 | 第34-39页 |
| 3.6 消除重叠框 | 第39-40页 |
| 3.7 本章小结 | 第40-42页 |
| 第4章 基于卷积神经网络的车辆假设验证 | 第42-52页 |
| 4.1 传统车辆假设验证HOG特征 | 第42-44页 |
| 4.2 SVM分类器 | 第44-46页 |
| 4.2.1 SVM最大间隔距离 | 第44-45页 |
| 4.2.2 SVM核函数 | 第45-46页 |
| 4.2.3 SVM参数设置 | 第46页 |
| 4.3 基于卷积神经网络的车辆假设验证 | 第46-50页 |
| 4.3.1 样本库建立 | 第46-47页 |
| 4.3.2 CNN结构设计 | 第47页 |
| 4.3.3 训练CNN | 第47-48页 |
| 4.3.4 CNN训练结果检验 | 第48-50页 |
| 4.4 检测算法多工况实验验证与分析 | 第50-51页 |
| 4.5 本章小结 | 第51-52页 |
| 第5章 基于卷积神经网络的车辆邻近区域跟踪 | 第52-62页 |
| 5.1 卡尔曼滤波原理 | 第52-54页 |
| 5.2 基于卷积神经网络的车辆卡尔曼滤波跟踪 | 第54-59页 |
| 5.2.1 车辆卡尔曼滤波跟踪模型 | 第54-56页 |
| 5.2.2 基于卷积神经网络的车辆状态观测 | 第56-57页 |
| 5.2.3 基于卷积神经网络的车辆卡尔曼滤波跟踪实现 | 第57-59页 |
| 5.3 基于卷积神经网络的区域跟踪 | 第59-60页 |
| 5.4 基于卷积神经网络的区域跟踪结果分析 | 第60-61页 |
| 5.5 本章小结 | 第61-62页 |
| 结论与展望 | 第62-63页 |
| 参考文献 | 第63-67页 |
| 致谢 | 第67-68页 |
| 附录A 攻读学位期间发表的论文 | 第68页 |