微缩智能车及其视觉感知关键技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-16页 |
| 1.2.1 无人车与微缩智能车 | 第10-14页 |
| 1.2.2 视觉感知技术 | 第14-16页 |
| 1.3 相关问题及解决方案 | 第16-17页 |
| 1.4 论文的主要研究内容与结构安排 | 第17-19页 |
| 第二章 面向无人驾驶的微缩智能车系统 | 第19-29页 |
| 2.1 微缩智能车硬件系统 | 第19-24页 |
| 2.1.1 主处理系统 | 第20-21页 |
| 2.1.2 子控制系统 | 第21-22页 |
| 2.1.3 驱动系统 | 第22-23页 |
| 2.1.4 转向系统 | 第23页 |
| 2.1.5 视觉系统 | 第23-24页 |
| 2.2 微缩智能车软件系统 | 第24-28页 |
| 2.2.1 主处理软件系统 | 第24-25页 |
| 2.2.2 子控制软件系统 | 第25-26页 |
| 2.2.3 数字PID转向控制算法 | 第26-28页 |
| 2.2.4 数据帧 | 第28页 |
| 2.3 本章小结 | 第28-29页 |
| 第三章 基于机器视觉的车道线检测算法 | 第29-43页 |
| 3.1 逆透视变换 | 第29-34页 |
| 3.1.1 摄像头标定 | 第29页 |
| 3.1.2 摄像头成像模型及内外参数 | 第29-31页 |
| 3.1.3 内参数标定 | 第31-32页 |
| 3.1.4 外参数标定 | 第32-33页 |
| 3.1.5 基于OpenCV的逆透视变换方法 | 第33-34页 |
| 3.2 图像预处理 | 第34-37页 |
| 3.2.1 高斯滤波 | 第34-35页 |
| 3.2.2 基于LBP算子的边缘提取 | 第35-37页 |
| 3.3 基于Hough变换的车道线检测 | 第37-39页 |
| 3.3.1 直线的Hough变换原理 | 第37-38页 |
| 3.3.2 车道线检测 | 第38-39页 |
| 3.4 基于RANSAC的样条拟合 | 第39-42页 |
| 3.4.1.RANSAC算法 | 第39-40页 |
| 3.4.2 算法主要步骤 | 第40-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第四章 基于机器视觉的交通标志检测算法 | 第43-57页 |
| 4.1 直方图均衡化 | 第44-45页 |
| 4.2 感兴趣区域提取 | 第45-48页 |
| 4.2.1 基于高斯颜色模型的粗提取 | 第45-47页 |
| 4.2.2 基于形状对称的定位提取 | 第47-48页 |
| 4.3 类别粗划分 | 第48-49页 |
| 4.4 细节特征提取 | 第49-51页 |
| 4.4.1 图像梯度 | 第49页 |
| 4.4.2 梯度方向直方图特征 | 第49-51页 |
| 4.5 交通标志识别 | 第51-53页 |
| 4.5.1 支持向量机 | 第51-52页 |
| 4.5.2 二叉树支持向量机 | 第52页 |
| 4.5.3 基于二叉树支持向量机的交通标志识别 | 第52-53页 |
| 4.6 实验测试 | 第53-56页 |
| 4.6.1.LIBSVM工具箱 | 第54页 |
| 4.6.2 核函数选取 | 第54-55页 |
| 4.6.3 交叉验证 | 第55页 |
| 4.6.4 微缩环境实验结果 | 第55-56页 |
| 4.7 本章小结 | 第56-57页 |
| 第五章 总结与展望 | 第57-59页 |
| 5.1 总结 | 第57-58页 |
| 5.2 展望 | 第58-59页 |
| 参考文献 | 第59-63页 |
| 攻读学位期间获得的研究成果 | 第63-64页 |
| 致谢 | 第64页 |
