基于机器视觉的前方车辆检测技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第1章 引言 | 第10-21页 |
| 1.1 课题的研究背景与意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-18页 |
| 1.2.1 智能汽车研究现状 | 第11-15页 |
| 1.2.2 车辆检测研究现状 | 第15-18页 |
| 1.3 研究内容及方法 | 第18-21页 |
| 1.3.1 研究内容 | 第18-20页 |
| 1.3.2 研究方法 | 第20-21页 |
| 第2章 图像预处理 | 第21-32页 |
| 2.1 图像有效区域选取 | 第21-22页 |
| 2.2 图像灰度化 | 第22-24页 |
| 2.3 图像滤波 | 第24-27页 |
| 2.4 图像增强 | 第27-31页 |
| 2.4.1 灰度分段线性变换 | 第27页 |
| 2.4.2 直方图均衡化 | 第27-30页 |
| 2.4.3 强弱光照的判断 | 第30-31页 |
| 2.5 本章小结 | 第31-32页 |
| 第3章 感兴趣区域提取 | 第32-48页 |
| 3.1 车辆阴影特征分析 | 第32-33页 |
| 3.2 二值化 | 第33-37页 |
| 3.2.1 最大类间方差法 | 第33-34页 |
| 3.2.2 单OTSU和双OTSU处理效果对比 | 第34-35页 |
| 3.2.3 改进阈值分割算法研究 | 第35-37页 |
| 3.3 阴影处理 | 第37-41页 |
| 3.3.1 形态学处理 | 第37-40页 |
| 3.3.2 形状特征过滤 | 第40-41页 |
| 3.4 初步感兴趣提取 | 第41-43页 |
| 3.4.1 提取阴影线 | 第41-42页 |
| 3.4.2 车辆阴影线合并 | 第42-43页 |
| 3.5 最终感兴趣区域提取 | 第43-47页 |
| 3.5.1 纹理特征 | 第43-45页 |
| 3.5.2 对称性 | 第45-47页 |
| 3.6 本章小结 | 第47-48页 |
| 第4章 基于HOG-LBP特征的车辆候选区域验证 | 第48-62页 |
| 4.1 图像特征提取 | 第48-53页 |
| 4.1.1 HOG特征 | 第49-51页 |
| 4.1.2 LBP特征 | 第51-52页 |
| 4.1.3 HOG特征和LBP特征融合 | 第52-53页 |
| 4.2 PCA降维 | 第53页 |
| 4.3 支持向量机 | 第53-56页 |
| 4.4 实验结果及分析 | 第56-61页 |
| 4.4.1 实验环境 | 第56-57页 |
| 4.4.2 基于SVM的感兴趣区域验证实验 | 第57-60页 |
| 4.4.3 整个车辆检测算法实验 | 第60-61页 |
| 4.5 本章小结 | 第61-62页 |
| 第5章 前方车辆测距关键技术 | 第62-74页 |
| 5.1 前方车辆测距方法 | 第62-64页 |
| 5.1.1 激光测距 | 第62页 |
| 5.1.2 超声波测距 | 第62-63页 |
| 5.1.3 微波雷达测距 | 第63页 |
| 5.1.4 机器视觉测距 | 第63-64页 |
| 5.2 摄像机成像原理 | 第64-66页 |
| 5.3 坐标系变换 | 第66-68页 |
| 5.4 基于单目视觉的前方车辆测距方法 | 第68-73页 |
| 5.4.1 基于几何模型的单目测距方法 | 第68-70页 |
| 5.4.2 摄像机内部参数标定 | 第70-72页 |
| 5.4.3 对图像进行畸变校正 | 第72-73页 |
| 5.5 本章小结 | 第73-74页 |
| 第6章 结论 | 第74-76页 |
| 6.1 研究总结 | 第74-75页 |
| 6.2 研究展望 | 第75-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-81页 |
| 攻读学位期间获得与学位论文相关的科研成果 | 第81页 |
