摘要 | 第5-7页 |
Abstract | 第7-8页 |
1 绪论 | 第12-32页 |
1.1 课题的研究背景与意义 | 第12-13页 |
1.1.1 研究背景 | 第12页 |
1.1.2 研究意义 | 第12-13页 |
1.2 智能车辆技术的发展现状 | 第13-18页 |
1.3 智能车辆行车安全信息检测与识别关键技术概述 | 第18-29页 |
1.3.1 基于视觉的道路检测技术 | 第19-20页 |
1.3.2 基于视觉的车道线检测技术 | 第20-24页 |
1.3.3 基于视觉的车辆检测技术 | 第24-29页 |
1.4 本文的内容安排及创新点 | 第29-32页 |
1.4.1 本文内容安排 | 第29-30页 |
1.4.2 本文主要创新点 | 第30-32页 |
2 基于车道线增强和视觉显著性模型的车道线检测 | 第32-47页 |
2.1 引言 | 第32-33页 |
2.2 基于模糊LDA的车道线增强模型 | 第33-34页 |
2.3 车道线的亮度对比度显著性模型 | 第34-37页 |
2.4 基于车道线增强和视觉显著性模型在车道线检测的应用 | 第37-44页 |
2.4.1 道路兴趣区域的提取 | 第38页 |
2.4.2 基于亮度和对比度显著性模型的车道线检测 | 第38-39页 |
2.4.3 基于模糊LDA的车道线增强与提取 | 第39-41页 |
2.4.4 车道线描述 | 第41-42页 |
2.4.5 基于逆透视变换的车道线验证 | 第42-44页 |
2.5 实验结果及分析 | 第44-46页 |
2.6 本章小结 | 第46-47页 |
3 基于稀疏表示与方差鉴别性模型的道路检测 | 第47-59页 |
3.1 引言 | 第47-48页 |
3.2 基于稀疏表示的形状先验提取 | 第48-49页 |
3.2.1 稀疏表示 | 第48页 |
3.2.2 基于稀疏表示的道路形状先验提取 | 第48-49页 |
3.3 基于方差鉴别性模型的高鉴别性灰度通道选择 | 第49-51页 |
3.4 稀疏表示与方差鉴别性模型应用于道路检测 | 第51-53页 |
3.4.1 道路兴趣区域设定与特征描述 | 第51-52页 |
3.4.2 基于稀疏表示和方差鉴别性模型的道路分割 | 第52-53页 |
3.5 实验结果与分析 | 第53-58页 |
3.5.1 道路先验提取结果 | 第54页 |
3.5.2 道路检测结果 | 第54-58页 |
3.6 本章小结 | 第58-59页 |
4 基于PCA-SOM-Net的盲区车辆检测 | 第59-81页 |
4.1 引言 | 第59-60页 |
4.2 深度学习概述 | 第60-63页 |
4.2.1 主流的深度学习模型 | 第60-62页 |
4.2.2 深度学习在检测与识别中应用 | 第62-63页 |
4.3 PCANet模型 | 第63-64页 |
4.4 PCANet模型的优缺点分析 | 第64-65页 |
4.5 PCA-SOM-Net模型 | 第65-67页 |
4.6 基于PCA-SOM-Net模型的盲区车辆检测 | 第67-76页 |
4.6.1 图像中盲区的界定 | 第68-70页 |
4.6.2 基于路面灰度统计的可疑区域提取 | 第70-72页 |
4.6.3 基于多特征验证的可疑区域筛选 | 第72-75页 |
4.6.4 基于PCA-SOM-Net的盲区车辆特征表示与识别 | 第75-76页 |
4.7 实验结果与分析 | 第76-80页 |
4.8 本章小结 | 第80-81页 |
5 基于单目视觉的车辆防撞预警模型 | 第81-90页 |
5.1 引言 | 第81-82页 |
5.2 车辆碰撞模型研究 | 第82-84页 |
5.2.1 摄像机目标成像 | 第82-83页 |
5.2.2 车辆碰撞时间估算 | 第83-84页 |
5.3 基于多帧的碰撞时间估计 | 第84-86页 |
5.3.1 车辆碰撞时间估算 | 第85-86页 |
5.4 实验结果及分析 | 第86-89页 |
5.5 本章小结 | 第89-90页 |
6 智能车辆的行车安全信息检测与识别系统 | 第90-97页 |
6.1 引言 | 第90-91页 |
6.2 系统设计 | 第91-94页 |
6.2.1 行车安全信息检测与识别系统的硬件结构设计 | 第91-92页 |
6.2.2 系统功能模块设计 | 第92-94页 |
6.3 行车安全信息检测与识别系统的整体性能实验 | 第94-95页 |
6.4 本章小结 | 第95-97页 |
7 总结与展望 | 第97-99页 |
致谢 | 第99-100页 |
参考文献 | 第100-116页 |
附录 | 第116-117页 |