| 致谢 | 第5-6页 |
| 摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第11-20页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究方法 | 第12-18页 |
| 1.2.1 动态车辆目标识别研究方法 | 第12-14页 |
| 1.2.2 动态车距测量技术研究方法 | 第14-18页 |
| 1.3 研究现状总结 | 第18页 |
| 1.4 本文主要工作及思路 | 第18-20页 |
| 2 基于人类记忆的车辆目标识别系统 | 第20-40页 |
| 2.1 仿鹰眼视觉注意模型 | 第20-24页 |
| 2.1.1 鹰眼颜色视觉模型 | 第20-22页 |
| 2.1.2 鹰眼视皮层感受野模型 | 第22-24页 |
| 2.2 改进的鹰眼视觉选择性注意模型 | 第24-33页 |
| 2.2.1 运动特征计算 | 第24-27页 |
| 2.2.2 稀有特征计算 | 第27-28页 |
| 2.2.3 稀有运动特征计算 | 第28-31页 |
| 2.2.4 结合稀有运动特征的显著图特征融合方法 | 第31-32页 |
| 2.2.5 显著图的焦点注意策略 | 第32-33页 |
| 2.3 基于人脑记忆的车辆目标识别 | 第33-39页 |
| 2.3.1 人类记忆机制建模 | 第33-34页 |
| 2.3.2 显著图信息 | 第34页 |
| 2.3.3 信息存储类型 | 第34-36页 |
| 2.3.4 车辆目标认知行为 | 第36-37页 |
| 2.3.5 基于MVRM的车辆目标识别 | 第37-39页 |
| 2.4 本章小结 | 第39-40页 |
| 3 基于改进蝙蝠算法的动态车距测量技术 | 第40-54页 |
| 3.1 立体匹配概述 | 第41-43页 |
| 3.1.1 立体匹配的算法结构 | 第41-42页 |
| 3.1.2 匹配算法约束条件 | 第42-43页 |
| 3.2 基于改进蝙蝠算法的自适应立体匹配算法 | 第43-47页 |
| 3.2.1 传统蝙蝠算法 | 第44-45页 |
| 3.2.2 改进的蝙蝠算法 | 第45-47页 |
| 3.2.3 改进蝙蝠算法的迭代终止条件设定 | 第47页 |
| 3.3 基于改进蝙蝠算法的车距测量技术 | 第47-53页 |
| 3.3.1 车辆显著图的初始视差获取 | 第47-49页 |
| 3.3.2 基于改进蝙蝠算法的车辆显著区域视差计算 | 第49-51页 |
| 3.3.3 基于双向匹配的多个车距测量 | 第51-53页 |
| 3.4 本章小结 | 第53-54页 |
| 4 实验与分析 | 第54-66页 |
| 4.1 车辆目标识别实验 | 第54-59页 |
| 4.1.1 运动车辆目标显著图获取过程实验 | 第54-56页 |
| 4.1.2 MVRM模型的记忆学习能力实验 | 第56-57页 |
| 4.1.3 识别模型对比实验 | 第57-59页 |
| 4.2 车距测量实验 | 第59-65页 |
| 4.2.1 室内距离测量实验 | 第59-62页 |
| 4.2.2 基于视频的前方车辆距离测量 | 第62-63页 |
| 4.2.3 前方车辆测距方法性能分析 | 第63-65页 |
| 4.3 本章小结 | 第65-66页 |
| 5 结论 | 第66-67页 |
| 参考文献 | 第67-70页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第70-72页 |
| 学位论文数据集 | 第72页 |