| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第11-15页 |
| 1.1 研究背景与意义 | 第11页 |
| 1.2 国内外研究现状 | 第11-13页 |
| 1.2.1 多传感器车辆检测算法 | 第12页 |
| 1.2.2 非特征学习类车辆检测算法 | 第12页 |
| 1.2.3 特征学习类车辆检测算法 | 第12-13页 |
| 1.2.4 车道线检测算法 | 第13页 |
| 1.3 本文的研究内容与组织结构 | 第13-15页 |
| 1.3.1 本文的研究内容 | 第13-14页 |
| 1.3.2 本文的组织结构 | 第14-15页 |
| 第二章 课题相关理论与技术路线 | 第15-28页 |
| 2.1 机器视觉 | 第15-16页 |
| 2.2 图像预处理 | 第16-24页 |
| 2.2.1 图像灰度化 | 第16-17页 |
| 2.2.2 图像降噪 | 第17-19页 |
| 2.2.3 图像分割 | 第19-24页 |
| 2.3 技术路线 | 第24-27页 |
| 2.3.1 假设产生 | 第25-26页 |
| 2.3.2 假设验证过程 | 第26-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于随机霍夫变换的车道线检测算法 | 第28-33页 |
| 3.1 车道线检测算法流程 | 第28页 |
| 3.2 截取道路 ROI | 第28-29页 |
| 3.3 约束条件下的车道线检测 | 第29-32页 |
| 3.3.1 随机霍夫变换 | 第29-30页 |
| 3.3.2 区域与角度约束下的随机霍夫变换 | 第30-32页 |
| 3.4 本章小结 | 第32-33页 |
| 第四章 基于机器学习的车辆检测 | 第33-58页 |
| 4.1 车辆特征概述 | 第33-34页 |
| 4.2 机器学习算法概述 | 第34-37页 |
| 4.2.1 最大期望算法 | 第35页 |
| 4.2.2 adaboost 迭代算法 | 第35-36页 |
| 4.2.3 支持向量机算法 | 第36页 |
| 4.2.4 人工神经网络 | 第36-37页 |
| 4.3 基于 Haar-like 和 AdaBoost 的车辆假设产生 | 第37-48页 |
| 4.3.1 Haar-like 特征提取 | 第37-43页 |
| 4.3.2 AdaBoost 法训练 Haar-like 特征 | 第43-48页 |
| 4.4 基于 HOG 和 SVM 的车辆假设验证 | 第48-57页 |
| 4.4.1 HOG 特征提取 | 第48-51页 |
| 4.4.2 SVM 训练 HOG 特征 | 第51-57页 |
| 4.5 本章小结 | 第57-58页 |
| 第五章 算法实现与评估 | 第58-69页 |
| 5.1 算法平台 | 第58页 |
| 5.2 算法模块与实现流程 | 第58-61页 |
| 5.3 算法的分类器训练实现 | 第61-65页 |
| 5.3.1 训练样本 | 第61-64页 |
| 5.3.2 训练实现 | 第64-65页 |
| 5.4 算法准确性与实时性评估 | 第65-68页 |
| 5.4.1 车道线检测的准确性 | 第65-66页 |
| 5.4.2 车辆检测的准确性 | 第66页 |
| 5.4.3 系统的实时性 | 第66-67页 |
| 5.4.4 最终效果展示 | 第67-68页 |
| 5.5 本章小结 | 第68-69页 |
| 第六章 总结与展望 | 第69-71页 |
| 6.1 研究工作与成果总结 | 第69-70页 |
| 6.2 展望 | 第70-71页 |
| 参考文献 | 第71-74页 |
| 攻读硕士学位期间取得的研究成果 | 第74-75页 |
| 致谢 | 第75-76页 |
| 附件 | 第76页 |