| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 注释表 | 第11-12页 |
| 1 绪论 | 第12-18页 |
| 1.1 研究背景 | 第12-14页 |
| 1.1.1 交通事故带来的影响 | 第12-13页 |
| 1.1.2 交通事故发生的原因 | 第13页 |
| 1.1.3 车载行车预警系统 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.2.1 国内研究现状 | 第14-15页 |
| 1.2.2 国外研究现状 | 第15-16页 |
| 1.3 本文主要研究内容 | 第16-17页 |
| 1.4 本文组织结构 | 第17-18页 |
| 2 白天场景下的车辆检测 | 第18-48页 |
| 2.1 基于最小二乘法的车道线拟合 | 第18-24页 |
| 2.1.1 地平线获取与距离估计 | 第18-20页 |
| 2.1.2 提取属于车道线的像素点 | 第20-22页 |
| 2.1.3 最小二乘法曲线拟合简介 | 第22-23页 |
| 2.1.4 车道线拟合 | 第23-24页 |
| 2.2 利用车辆的阴影特征获得疑似车辆目标 | 第24-28页 |
| 2.3 疑似车辆目标的验证 | 第28-38页 |
| 2.3.1 利用插值算法重构疑似车辆目标的大小 | 第28-30页 |
| 2.3.2 利用角点、对称性、熵值验证疑似车辆目标 | 第30-35页 |
| 2.3.3 利用PCA算法进行车辆特征向量的降维 | 第35-38页 |
| 2.4 利用SVM对车辆图片进行分类 | 第38-45页 |
| 2.4.1 支持向量机简介 | 第38-41页 |
| 2.4.2 核函数和松弛变量 | 第41-44页 |
| 2.4.3 基于LibSVM对PCA降维后的车辆特征进行分类 | 第44-45页 |
| 2.5 实验结果与分析 | 第45-48页 |
| 3 夜间场景下的车辆检测 | 第48-60页 |
| 3.1 基于HSV颜色模型的车辆尾灯图像分割 | 第48-54页 |
| 3.1.1 HSV颜色空间简介 | 第48-49页 |
| 3.1.2 ROI区域选择 | 第49页 |
| 3.1.3 建立HSV尾灯模型并分割出尾灯区域 | 第49-54页 |
| 3.2 Dempster-Shafer证据融合理论验证候选尾灯区域 | 第54-57页 |
| 3.2.1 Dempster-Shafer证据融合理论简介 | 第54-55页 |
| 3.2.2 基于证据融合理论对尾灯特征进行融合 | 第55-57页 |
| 3.3 实验结果与分析 | 第57-60页 |
| 4 车辆跟踪算法研究 | 第60-75页 |
| 4.1 常用的车辆跟踪算法 | 第60-64页 |
| 4.1.1 基于Meanshift的目标跟踪算法 | 第60-62页 |
| 4.1.2 基于光流法的车辆跟踪算法 | 第62-63页 |
| 4.1.3 基于卡尔曼滤波的车辆跟踪方法 | 第63-64页 |
| 4.2 基于运动模型的跟踪方法 | 第64-70页 |
| 4.2.1 建立稳定跟踪队列 | 第65-68页 |
| 4.2.2 利用运动模型对车辆进行跟踪 | 第68-70页 |
| 4.3 实验结果与分析 | 第70-75页 |
| 5 本文总结与展望 | 第75-77页 |
| 5.1 论文总结 | 第75-76页 |
| 5.2 展望 | 第76-77页 |
| 致谢 | 第77-78页 |
| 参考文献 | 第78-83页 |
| 附录 | 第83页 |
