| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-18页 |
| 1.1 研究背景及意义 | 第8-9页 |
| 1.2 国内外研究现状 | 第9-13页 |
| 1.2.1 道路提取发展现状 | 第9-11页 |
| 1.2.2 分割算法的研究现状 | 第11-12页 |
| 1.2.3 车辆检测的研究现状 | 第12-13页 |
| 1.3 数据源和场景介绍 | 第13-15页 |
| 1.3.1 数据源选取说明 | 第13-14页 |
| 1.3.2 道路场景描述 | 第14-15页 |
| 1.4 论文主要研究内容及结构安排 | 第15-18页 |
| 第2章 基于聚类分割的道路提取算法 | 第18-33页 |
| 2.1 引言 | 第18页 |
| 2.2 改进后的K-means聚类分割 | 第18-22页 |
| 2.3 模糊C均值聚类分割 | 第22-25页 |
| 2.4 后处理与道路提取 | 第25-29页 |
| 2.4.1 数学形态学理论 | 第25-26页 |
| 2.4.2 形状特征后处理 | 第26-27页 |
| 2.4.3 基于凸包的断裂道路连接 | 第27-29页 |
| 2.5 实验与结果分析 | 第29-32页 |
| 2.6 本章小结 | 第32-33页 |
| 第3章 基于改进分水岭算法的道路提取 | 第33-45页 |
| 3.1 引言 | 第33页 |
| 3.2 分水岭分割原理及改进 | 第33-36页 |
| 3.2.1 分水岭分割概述 | 第33-35页 |
| 3.2.2 本研究改进技术流程 | 第35-36页 |
| 3.3 基于自适应阈值梯度的分水岭分割前景标记提取 | 第36-41页 |
| 3.3.1 彩色向量空间梯度描述 | 第36-38页 |
| 3.3.2 用结合边缘信息的自适应阈值梯度实现前景标记提取 | 第38-41页 |
| 3.4 基于形态学的分水岭分割背景标记提取及道路后处理 | 第41-43页 |
| 3.4.1 距离变换进行背景标记 | 第41-42页 |
| 3.4.2 道路后处理 | 第42-43页 |
| 3.5 道路提取结果分析 | 第43-44页 |
| 3.6 本章小结 | 第44-45页 |
| 第4章 道路车辆的检测与提取 | 第45-53页 |
| 4.1 引言 | 第45页 |
| 4.2 基于改进双阈值的车辆检测算法 | 第45-47页 |
| 4.3 阴影及干扰地物去除 | 第47-49页 |
| 4.4 整车检测与处理 | 第49-51页 |
| 4.5 实验与结果分析 | 第51-52页 |
| 4.6 本章小结 | 第52-53页 |
| 结论 | 第53-55页 |
| 参考文献 | 第55-62页 |
| 致谢 | 第62页 |
