基于车载视觉系统的典型障碍物检测与识别方法研究
| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 1 绪论 | 第11-17页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状及发展趋势 | 第12-15页 |
| 1.2.1 国内外智能车辆相关技术以及研究现状 | 第12-13页 |
| 1.2.2 典型障碍物检测和识别方法概述 | 第13-15页 |
| 1.3 论文结构安排 | 第15-17页 |
| 2 常用的典型障碍物的检测方法 | 第17-30页 |
| 2.1 典型障碍物的标准与属性 | 第17-18页 |
| 2.2 基于色彩空间的障碍物检测 | 第18-24页 |
| 2.2.1 颜色特征 | 第18-21页 |
| 2.2.2 分割颜色区块 | 第21-23页 |
| 2.2.3 图像颜色增强 | 第23-24页 |
| 2.2.4 感兴趣区域定位 | 第24页 |
| 2.3 基于边缘信息的障碍物检测 | 第24-26页 |
| 2.3.1 图像噪声的去除 | 第25页 |
| 2.3.2 图像灰度化 | 第25页 |
| 2.3.3 Sobel边缘检测算子 | 第25-26页 |
| 2.3.4 二值化处理 | 第26页 |
| 2.4 对检测目标的微调 | 第26-29页 |
| 2.4.1 位置倾斜矫正算法 | 第26-28页 |
| 2.4.2 外接矩形框的相似度 | 第28页 |
| 2.4.3 形态学处理 | 第28-29页 |
| 2.5 本章小结 | 第29-30页 |
| 3 复杂场景下的障碍物的检测与定位 | 第30-39页 |
| 3.1 基于MSER与MSCR的典型障碍物的检测 | 第30页 |
| 3.2 区域特征提取 | 第30-34页 |
| 3.2.1 MSER算法 | 第31-32页 |
| 3.2.2 MSCR算法 | 第32-34页 |
| 3.3 复杂场景下的检测方法总结 | 第34页 |
| 3.4 实验结果和分析 | 第34-38页 |
| 3.5 本章小结 | 第38-39页 |
| 4 典型障碍物的识别 | 第39-55页 |
| 4.1 HOG特征 | 第39-42页 |
| 4.1.1 提取细胞单元的特征 | 第39-41页 |
| 4.1.2 提取整体图像的特征 | 第41-42页 |
| 4.2 SIFT特征提取 | 第42-47页 |
| 4.2.1 特征点检测 | 第43-46页 |
| 4.2.2 特征描述子生成 | 第46-47页 |
| 4.3 梯度特征的对比 | 第47页 |
| 4.4 分类器 | 第47-54页 |
| 4.4.1 SVM分类器 | 第48-52页 |
| 4.4.2 AdaBoost分类器 | 第52-53页 |
| 4.4.3 对分类器的选择 | 第53-54页 |
| 4.5 本章小结 | 第54-55页 |
| 5 实验结果和分析 | 第55-61页 |
| 5.1 实验数据库的建立 | 第55页 |
| 5.2 实验参数的设置 | 第55-58页 |
| 5.2.1 颜色阈值的参数设置 | 第55-57页 |
| 5.2.2 MSER与MSCR参数设置 | 第57页 |
| 5.2.3 训练样本参数设置 | 第57-58页 |
| 5.3 评价方法 | 第58页 |
| 5.4 交通障碍物检测实验 | 第58-60页 |
| 5.5 本章小结 | 第60-61页 |
| 6 总结和展望 | 第61-62页 |
| 参考文献 | 第62-64页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第64-66页 |
| 学位论文数据集 | 第66页 |
