| 摘要 | 第4-6页 |
| ABSTRACT | 第6-7页 |
| 第一章 绪论 | 第10-17页 |
| 1.1 论文研究背景 | 第10-11页 |
| 1.2 论文研究意义 | 第11-12页 |
| 1.3 国内外研究现状 | 第12-15页 |
| 1.3.1 基于模型的车道线检测方法 | 第12-13页 |
| 1.3.2 基于视觉注意机制的车道线检测方法 | 第13-14页 |
| 1.3.3 基于学习的道路交通标线分类方法 | 第14-15页 |
| 1.4 论文主要内容及章节安排 | 第15-17页 |
| 第二章 道路交通标线及显著性相关原理分析 | 第17-26页 |
| 2.1 道路交通标线定义与分类 | 第17-21页 |
| 2.1.1 指示标线 | 第18-19页 |
| 2.1.2 禁止标线 | 第19-20页 |
| 2.1.3 警告标线 | 第20-21页 |
| 2.2 显著性相关原理分析 | 第21-25页 |
| 2.2.1 显著性特征 | 第21-22页 |
| 2.2.2 马尔可夫链 | 第22-23页 |
| 2.2.3 相似性度量 | 第23-25页 |
| 2.3 本章小结 | 第25-26页 |
| 第三章 基于视觉注意机制的道路交通标线检测方法 | 第26-43页 |
| 3.1 视觉特征提取 | 第27-32页 |
| 3.1.1 色彩空间转换 | 第27-30页 |
| 3.1.2 特征提取 | 第30-32页 |
| 3.2 基于上下文信息的道路交通标线层次显著性检测模型 | 第32-38页 |
| 3.2.1 上下文特征融合 | 第32-33页 |
| 3.2.2 图表示 | 第33-34页 |
| 3.2.3 基于先验信息的显著度图 | 第34-35页 |
| 3.2.4 基于马尔可夫链的层次显著性检测模型 | 第35-37页 |
| 3.2.5 基于相似性度量的层次显著性融合算法 | 第37-38页 |
| 3.3 显著道路交通标线粗定位 | 第38-40页 |
| 3.3.1 非极大值抑制 | 第39页 |
| 3.3.2 道路交通标线粗定位 | 第39-40页 |
| 3.4 算法测试及实验结果 | 第40-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 视觉感知结合学习的道路交通标线识别方法 | 第43-58页 |
| 4.1 分类器的选择 | 第43-46页 |
| 4.1.1 支持向量机SVM分类器 | 第43-44页 |
| 4.1.2 Boosting分类器 | 第44-46页 |
| 4.2 视觉感知结合学习的道路交通标线识别 | 第46-56页 |
| 4.2.1 方向梯度直方图 | 第46-49页 |
| 4.2.2 多分类Real AdaBoost算法 | 第49-51页 |
| 4.2.3 MR_AdaBoost分类器 | 第51-54页 |
| 4.2.4 基于MR_AdaBoost的道路交通标线识别方法 | 第54-56页 |
| 4.3 算法测试及实验结果 | 第56页 |
| 4.4 本章小结 | 第56-58页 |
| 第五章 结构化道路环境下的算法测试及验证 | 第58-70页 |
| 5.1 结构化道路概念 | 第58-59页 |
| 5.2 结构化道路环境下交通标线检测 | 第59-64页 |
| 5.2.1 数据集 | 第59-60页 |
| 5.2.2 评价标准 | 第60页 |
| 5.2.3 算法性能分析 | 第60-63页 |
| 5.2.4 运行时间 | 第63-64页 |
| 5.2.5 结论 | 第64页 |
| 5.3 结构化道路环境下交通标线识别 | 第64-69页 |
| 5.3.1 评价标准 | 第64-65页 |
| 5.3.2 分类器性能分析 | 第65-66页 |
| 5.3.3 算法性能分析 | 第66-68页 |
| 5.3.4 运行时间 | 第68-69页 |
| 5.4 本章小结 | 第69-70页 |
| 总结与展望 | 第70-72页 |
| 参考文献 | 第72-76页 |
| 攻读硕士学位期间取得的研究成果 | 第76-77页 |
| 致谢 | 第77页 |