基于单目视觉的道路检测算法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 课题来源 | 第12页 |
| 1.2 研究背景与意义 | 第12-13页 |
| 1.3 国内外研究现状 | 第13-15页 |
| 1.3.1 结构化道路检测方法 | 第13页 |
| 1.3.2 非结构化道路检测方法 | 第13-15页 |
| 1.4 本文主要工作 | 第15-17页 |
| 1.5 本文的结构 | 第17-18页 |
| 第2章 基于视觉的非结构化道路检测的相关研究 | 第18-29页 |
| 2.1 道路图像阴影处理 | 第18-21页 |
| 2.1.1 阴影的类型 | 第18-19页 |
| 2.1.2 阴影的特点 | 第19页 |
| 2.1.3 阴影检测和去除算法研究 | 第19-21页 |
| 2.2 道路检测的理论基础 | 第21-26页 |
| 2.2.1 道路图像分割 | 第21-24页 |
| 2.2.2 道路场景分类 | 第24-26页 |
| 2.3 D-S证据理论 | 第26-27页 |
| 2.3.1 D-S证据理论的发展历史 | 第26-27页 |
| 2.3.2 D-S证据理论的优势 | 第27页 |
| 2.4 小结 | 第27-29页 |
| 第3章 感兴趣区域内的阴影检测算法 | 第29-41页 |
| 3.1 道路阴影处理框架 | 第29-30页 |
| 3.2 感兴趣区域获取 | 第30-33页 |
| 3.2.1 车载摄像头标定 | 第30-32页 |
| 3.2.2 基于车速的感兴趣区域 | 第32-33页 |
| 3.3 阴影检测 | 第33-36页 |
| 3.3.1 基于MeanShift的图像分割 | 第33-34页 |
| 3.3.2 区域特征提取与分类 | 第34-36页 |
| 3.4 阴影去除 | 第36-39页 |
| 3.4.1 图像的光照模型 | 第36页 |
| 3.4.2 抠图技术 | 第36-38页 |
| 3.4.3 阴影补偿处理 | 第38-39页 |
| 3.5 小结 | 第39-41页 |
| 第4章 基于D-S证据理论的道路检测算法 | 第41-52页 |
| 4.1 图像的识别框架 | 第41-42页 |
| 4.1.1 D-S证据理论的基本概念 | 第41-42页 |
| 4.1.2 道路图像的识别框架 | 第42页 |
| 4.2 建立道路几何的道路概率图 | 第42-48页 |
| 4.2.1 城市道路几何分类 | 第42-43页 |
| 4.2.2 基于ROI的特征提取 | 第43-47页 |
| 4.2.3 道路几何分类器的训练和分类 | 第47-48页 |
| 4.3 建立颜色特征的道路概率图 | 第48-49页 |
| 4.4 道路几何和颜色特征的融合 | 第49-51页 |
| 4.5 小结 | 第51-52页 |
| 第5章 实验 | 第52-61页 |
| 5.1 实验平台 | 第52页 |
| 5.2 实验数据 | 第52-53页 |
| 5.3 道路检测算法的实验 | 第53-59页 |
| 5.3.1 车载摄像头标定的实现 | 第53-55页 |
| 5.3.2 阴影检测的分类器训练 | 第55页 |
| 5.3.3 道路几何分类器的训练 | 第55-56页 |
| 5.3.4 颜色特征分类器的采样和训练 | 第56-57页 |
| 5.3.5 道路检测算法性能评估 | 第57-59页 |
| 5.4 小结 | 第59-61页 |
| 结论 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 附录A 攻读学位期间所发表的学术论文 | 第67-68页 |
| 附录B 攻读硕士期间参与的项目列表 | 第68-69页 |
| 致谢 | 第69页 |
