缩微智能车交通信号灯认知能力方法研究
| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 课题研究背景及意义 | 第10-12页 |
| 1.2 国内外研究现状 | 第12-13页 |
| 1.3 本文主要研究内容和安排 | 第13-15页 |
| 第二章 系统方案设计 | 第15-21页 |
| 2.1 前言 | 第15-16页 |
| 2.2 硬件平台设计方案 | 第16-18页 |
| 2.2.1 计算控制模块 | 第16-17页 |
| 2.2.2 感知模块 | 第17页 |
| 2.2.3 执行模块 | 第17-18页 |
| 2.2.4 供电模块 | 第18页 |
| 2.2.5 通信模块 | 第18页 |
| 2.3 软件平台设计方案 | 第18-19页 |
| 2.4 缩微交通环境设计方案 | 第19-20页 |
| 2.5 本章小结 | 第20-21页 |
| 第三章 交通信号灯的颜色检测 | 第21-30页 |
| 3.1 引言 | 第21页 |
| 3.2 红绿灯ROI区域确定 | 第21-22页 |
| 3.3 基于HSV颜色空间的检测 | 第22-29页 |
| 3.3.1 颜色空间转换 | 第22-23页 |
| 3.3.2 基于统计学理论的候选点标记 | 第23-26页 |
| 3.3.3 形态学滤波与候选区域生成 | 第26-29页 |
| 3.4 本章小结 | 第29-30页 |
| 第四章 交通信号灯的形状识别 | 第30-40页 |
| 4.1 引言 | 第30页 |
| 4.2 形状特征分析与提取 | 第30-32页 |
| 4.3 支持向量机简介 | 第32-36页 |
| 4.3.1 线性支持向量机 | 第32-34页 |
| 4.3.2 非线性支持向量机 | 第34-36页 |
| 4.4 SVM分类器训练 | 第36-38页 |
| 4.4.1.训练样本和测试样本 | 第36-37页 |
| 4.4.2 手动标记交通灯的位置和候选区域提取 | 第37-38页 |
| 4.4.3 形状特征提取 | 第38页 |
| 4.4.4 SVM分类器 | 第38页 |
| 4.5 形状识别算法 | 第38-39页 |
| 4.6 本章小结 | 第39-40页 |
| 第五章 实验结果与分析 | 第40-43页 |
| 5.1 交通信号灯识别算法流程 | 第40页 |
| 5.2 实验结果与算法评估 | 第40-42页 |
| 5.2.1 线下测试 | 第41-42页 |
| 5.2.2 缩微智能车响应红绿灯 | 第42页 |
| 5.3 本章小结 | 第42-43页 |
| 第六章 总结与展望 | 第43-45页 |
| 6.1 本文工作总结 | 第43-44页 |
| 6.2 未来工作展望 | 第44-45页 |
| 参考文献 | 第45-48页 |
| 致谢 | 第48-49页 |
| 攻读硕士期间取得的研究成果 | 第49页 |
