| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 注释表 | 第12-13页 |
| 1 绪论 | 第13-21页 |
| 1.1 课题的研究背景和意义 | 第13-14页 |
| 1.2 国内外研究现状 | 第14-15页 |
| 1.3 基于盲道的导盲系统结构 | 第15-17页 |
| 1.4 本文主要研究内容 | 第17-20页 |
| 1.5 论文结构安排 | 第20-21页 |
| 2 基于单目视觉的障碍物图像分割 | 第21-35页 |
| 2.1 传统的图像分割算法 | 第21-23页 |
| 2.1.1 Otsu法 | 第21-22页 |
| 2.1.2 最小误差阈值法 | 第22-23页 |
| 2.1.3 最大熵阈值法 | 第23页 |
| 2.2 二维最小误差法 | 第23-25页 |
| 2.2.1 算法介绍 | 第23-25页 |
| 2.2.2 算法优缺点 | 第25页 |
| 2.3 基于二维直方图双斜率划分的快速最小误差算法 | 第25-28页 |
| 2.3.1 2D-SFM | 第26-28页 |
| 2.3.2 该算法的优点 | 第28页 |
| 2.4 基于互信息熵差的自适应脉冲耦合神经网络算法 | 第28-31页 |
| 2.4.1 互信息和互信息熵差 | 第28-29页 |
| 2.4.2 MEAP | 第29-31页 |
| 2.4.3 该算法的优点 | 第31页 |
| 2.5 实验结果与分析 | 第31-34页 |
| 2.6 本章小结 | 第34-35页 |
| 3 基于视觉注意模型的显著障碍物检测 | 第35-55页 |
| 3.1 视觉注意模型 | 第35-37页 |
| 3.1.1 特征整合模型 | 第36-37页 |
| 3.1.2 视觉注意模型的应用 | 第37页 |
| 3.2 典型的显著性检测算法 | 第37-41页 |
| 3.2.1 IT法 | 第37-39页 |
| 3.2.2 LC法 | 第39页 |
| 3.2.3 AC法 | 第39-40页 |
| 3.2.4 FT法 | 第40-41页 |
| 3.3 基于特征显著值归一化与关键区域聚焦的显著物体检测算法 | 第41-44页 |
| 3.3.1 FKFT | 第41-44页 |
| 3.3.2 该算法优点 | 第44页 |
| 3.4 显著障碍物检测算法 | 第44-47页 |
| 3.4.1 SMFT | 第44-45页 |
| 3.4.2 距离估计 | 第45-47页 |
| 3.4.3 该算法的优点 | 第47页 |
| 3.5 实验结果与分析 | 第47-54页 |
| 3.5.1 实验结果对比 | 第47-53页 |
| 3.5.2 实验结果的量化对比 | 第53-54页 |
| 3.6 本章小结 | 第54-55页 |
| 4 盲道分割 | 第55-73页 |
| 4.1 支持向量机 | 第55-60页 |
| 4.1.1 线性可分情况 | 第56-58页 |
| 4.1.2 非线性可分情况 | 第58-59页 |
| 4.1.3 支持向量机的算法 | 第59-60页 |
| 4.2 基于颜色纹理和支持向量机的盲道分割算法 | 第60-70页 |
| 4.2.1 CT-SVM | 第60-70页 |
| 4.2.2 该算法的优点 | 第70页 |
| 4.3 实验结果与分析 | 第70-72页 |
| 4.4 本章小结 | 第72-73页 |
| 5 盲道检测与方向判断 | 第73-83页 |
| 5.1 盲道边缘检测算法 | 第73-76页 |
| 5.1.1 边缘检测算子 | 第73-74页 |
| 5.1.2 Canny边缘检测算法 | 第74-76页 |
| 5.1.3 Canny算法的优点 | 第76页 |
| 5.2 盲道方向判断算法 | 第76-80页 |
| 5.2.1 Hough变换 | 第76-79页 |
| 5.2.2 方向判断 | 第79-80页 |
| 5.2.3 该算法的优点 | 第80页 |
| 5.3 实验结果与分析 | 第80-82页 |
| 5.4 本章小结 | 第82-83页 |
| 6 视频流处理结果 | 第83-86页 |
| 6.1 实验结果与分析 | 第83-85页 |
| 6.2 本章小结 | 第85-86页 |
| 总结与展望 | 第86-89页 |
| 工作总结 | 第86-87页 |
| 工作展望 | 第87-89页 |
| 致谢 | 第89-90页 |
| 参考文献 | 第90-94页 |
| 附录 | 第94页 |
