基于机器视觉路面状态识别关键技术研究
| 内容提要 | 第1-9页 |
| 第1章 绪论 | 第9-27页 |
| ·课题研究背景 | 第9-12页 |
| ·国内外气象交通研究与应用 | 第12-16页 |
| ·RWIS研究历史回顾 | 第12-13页 |
| ·RWIS的发展趋势 | 第13-14页 |
| ·我国RWIS研究现状 | 第14-16页 |
| ·路面状态传感器研究现状 | 第16-24页 |
| ·路面状态简介 | 第16-18页 |
| ·国内外路面状态监测和识别技术的研究现状 | 第18-22页 |
| ·选题的意义 | 第22-23页 |
| ·存在的主要问题分析 | 第23-24页 |
| ·本文研究的主要内容 | 第24-27页 |
| 第2章 路面状态传感器基础理论 | 第27-51页 |
| ·引言 | 第27页 |
| ·道路表面的光谱特性 | 第27-30页 |
| ·关于图像颜色特征的基础理论 | 第30-33页 |
| ·RGB颜色模型空间 | 第30-31页 |
| ·HIS颜色模型空间 | 第31-33页 |
| ·关于图像纹理特征的基础理论 | 第33-48页 |
| ·基于空间分布的纹理模型 | 第34-39页 |
| ·基于频域变换的纹理模型 | 第39-48页 |
| ·图像识别与马尔可夫随机场 | 第48-50页 |
| ·图像识别的方法 | 第48-49页 |
| ·Markov随机场 | 第49-50页 |
| ·本章小结 | 第50-51页 |
| 第3章 基于颜色恒常性图像亮度校正算法研究 | 第51-73页 |
| ·引言 | 第51-52页 |
| ·影响图像颜色失真的主要因素 | 第52-53页 |
| ·光源对颜色失真的影响 | 第52页 |
| ·图像采集设备对颜色失真的影响 | 第52-53页 |
| ·显示设备对颜色失真的影响 | 第53页 |
| ·人类视觉颜色恒常性及颜色校正方法 | 第53-61页 |
| ·人类视觉颜色恒常性 | 第53-54页 |
| ·颜色校正方法 | 第54-57页 |
| ·常用的光照预处理计算方法 | 第57-61页 |
| ·改进的监督颜色恒常性算法(ISCCIA) | 第61-66页 |
| ·监督颜色恒常性算法的研究现状 | 第61-62页 |
| ·基于监督颜色恒常性的亮度校正算法 | 第62-64页 |
| ·监督颜色恒常性算法(ISCCIA)的实现 | 第64-66页 |
| ·实验结果与分析 | 第66-71页 |
| ·ISCCIA算法的对比实验 | 第66-69页 |
| ·ISCCIA算法的验证实验 | 第69-71页 |
| ·本章小结 | 第71-73页 |
| 第4章 路面图像颜色特征研究 | 第73-83页 |
| ·引言 | 第73页 |
| ·路面图像的获取 | 第73-74页 |
| ·路面图像颜色空间分析 | 第74-77页 |
| ·路面图像RGB模型空间特征 | 第74-75页 |
| ·路面图像色度坐标r、g、b值分析 | 第75-76页 |
| ·路面图像HIS模型空间颜色特征 | 第76-77页 |
| ·颜色特征的实验分析 | 第77-81页 |
| ·RGB特征值与路面状态的相关分析 | 第77-80页 |
| ·HIS特征值与路面状态间的相关分析 | 第80-81页 |
| ·本章小结 | 第81-83页 |
| 第5章 路面图像纹理特征研究 | 第83-103页 |
| ·引言 | 第83页 |
| ·基于空间分布的路面纹理共生矩阵特性分析 | 第83-90页 |
| ·距离差分取值对纹理特征参数值的影响 | 第83-85页 |
| ·方向取值对纹理特征参数值影响 | 第85-86页 |
| ·纹理特征参数的相关分析 | 第86-88页 |
| ·路面图像纹理特征参数筛选 | 第88-90页 |
| ·应用小波包分析提取路面纹理特征 | 第90-97页 |
| ·小波二进正交分解 | 第91页 |
| ·基于小波分量的能量分布 | 第91-92页 |
| ·基于小波能量特征参数的路面纹理分析 | 第92-97页 |
| ·基于小波包熵特征参数的提取方法描述 | 第97-99页 |
| ·实验结果与分析 | 第99-101页 |
| ·小波熵特征函数的可分性实验 | 第99-100页 |
| ·小波包特征提取方法与灰度共现矩阵方法的对比 | 第100-101页 |
| ·本章小结 | 第101-103页 |
| 第6章 基于小波域 HMT模型路面状态识别方法 | 第103-127页 |
| ·引言 | 第103页 |
| ·隐马尔可夫模型 | 第103-107页 |
| ·隐马尔可夫模型原理 | 第103-105页 |
| ·HMM建模的优点 | 第105页 |
| ·HMM的三个典型的基本问题 | 第105-107页 |
| ·小波域 HMM的建模原理 | 第107-113页 |
| ·小波域的HMT的概率图模型 | 第107-108页 |
| ·小波域HMT模型的建立 | 第108-111页 |
| ·小波系数的“捆绑” | 第111-113页 |
| ·小波域HMT模型的训练 | 第113-118页 |
| ·HMT的EM算法的思想 | 第113-114页 |
| ·WPHMT的EM算法描述 | 第114-115页 |
| ·单个小波树的E步骤 | 第115-117页 |
| ·多个小波树的E步骤 | 第117页 |
| ·M步骤 | 第117-118页 |
| ·WPHMT的识别算法描述 | 第118-119页 |
| ·实验结果与分析 | 第119-125页 |
| ·图像识别窗口大小对识别的影响实验 | 第119-124页 |
| ·WPHMT识别方法对比试验 | 第124-125页 |
| ·本章小结 | 第125-127页 |
| 第7章 基于颜色模型和神经网络路面状态识别方法 | 第127-139页 |
| ·引言 | 第127-128页 |
| ·标准BP网络结构及算法 | 第128-134页 |
| ·标准BP网络结构 | 第128-130页 |
| ·BP神经网络的学习过程 | 第130-131页 |
| ·初始权值的优化选择 | 第131页 |
| ·隐层数和隐层结点的选择 | 第131-132页 |
| ·BP神经网络的学习算法及其局限性 | 第132-134页 |
| ·改进的自适应BP算法描述 | 第134-136页 |
| ·实验结果与分析 | 第136-138页 |
| ·本章小结 | 第138-139页 |
| 第8章 全文总结 | 第139-143页 |
| ·主要研究成果 | 第139-141页 |
| ·下一步研究工作 | 第141-143页 |
| 参考文献 | 第143-155页 |
| 作者攻博期间发表的学术论文与参与项目 | 第155-157页 |
| 致谢 | 第157-158页 |
| 中文摘要 | 第158-162页 |
| Abstract | 第162-164页 |
