车载红外辅助驾驶系统的研究与实现
| 摘要 | 第6-8页 |
| abstract | 第8-9页 |
| 第1章 绪论 | 第13-18页 |
| 1.1 研究背景及意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-16页 |
| 1.2.1 国外研究现状 | 第14-15页 |
| 1.2.2 国内研究现状 | 第15-16页 |
| 1.3 论文内容及章节安排 | 第16-18页 |
| 第2章 车载辅助驾驶系统的硬件设计 | 第18-32页 |
| 2.1 系统需求分析 | 第18页 |
| 2.2 系统总体设计 | 第18-20页 |
| 2.2.1 系统方案选择 | 第18-19页 |
| 2.2.2 系统硬件总体设计 | 第19-20页 |
| 2.3 视频图像采集设备的选择 | 第20-21页 |
| 2.4 主处理器的选择 | 第21-23页 |
| 2.5 系统功能模块设计 | 第23-30页 |
| 2.5.1 视频输入输出模块 | 第23-25页 |
| 2.5.2 以太网通信模块 | 第25-26页 |
| 2.5.3 UART通信模块 | 第26-27页 |
| 2.5.4 I2C总线控制模块 | 第27-28页 |
| 2.5.5 J-TAG仿真接口 | 第28-29页 |
| 2.5.6 外部存储器扩展 | 第29-30页 |
| 2.5.7 电源模块 | 第30页 |
| 2.6 硬件系统的测试结果 | 第30-31页 |
| 2.7 本章小结 | 第31-32页 |
| 第3章 红外图像行人检测算法 | 第32-49页 |
| 3.1 红外行人检测算法的构成 | 第32页 |
| 3.2 图像的前期处理 | 第32-39页 |
| 3.2.1 算数均值滤波 | 第32-33页 |
| 3.2.2 双阈值分割 | 第33-37页 |
| 3.2.3 形态学处理 | 第37-39页 |
| 3.3 ROI的选取和缩放 | 第39-41页 |
| 3.3.1 ROI的选取 | 第39页 |
| 3.3.2 ROI的缩放 | 第39-41页 |
| 3.4 基于HOG-LBP特征的行人检测 | 第41-46页 |
| 3.4.1 HOG特征 | 第42-43页 |
| 3.4.2 LBP特征 | 第43-44页 |
| 3.4.3 基于SVM分类器的行人检测 | 第44-46页 |
| 3.5 基于Haar-like特征的误检过滤 | 第46-48页 |
| 3.6 本章小结 | 第48-49页 |
| 第4章 车载辅助驾驶系统的软件实现 | 第49-62页 |
| 4.1 集成开发环境CCS介绍 | 第49-53页 |
| 4.1.1 CCS概述 | 第49-50页 |
| 4.1.2 DSP/BIOS实时操作系统 | 第50-53页 |
| 4.2 软件执行流程 | 第53-54页 |
| 4.3 红外行人检测算法的代码实现 | 第54-61页 |
| 4.4 本章小结 | 第61-62页 |
| 第5章 系统的优化及测试结果 | 第62-74页 |
| 5.1 系统优化 | 第62-71页 |
| 5.1.1 库函数的使用 | 第63-64页 |
| 5.1.2 编译选项的优化 | 第64-66页 |
| 5.1.3 软件流水优化 | 第66-67页 |
| 5.1.4 DSP特性的利用 | 第67-69页 |
| 5.1.5 C代码的优化 | 第69-71页 |
| 5.2 实验结果与分析 | 第71-73页 |
| 5.2.1 系统的优化结果 | 第71页 |
| 5.2.2 系统的测试结果 | 第71-73页 |
| 5.3 本章小结 | 第73-74页 |
| 结论 | 第74-75页 |
| 参考文献 | 第75-79页 |
| 攻读硕士学位期间发表的论文和取得的科研成果 | 第79-80页 |
| 致谢 | 第80-81页 |
