摘要 | 第1-5页 |
ABSTRACT | 第5-10页 |
图、表清单 | 第10-13页 |
注释表 | 第13-15页 |
缩略词表 | 第15-17页 |
第一章 绪论 | 第17-29页 |
·研究背景与意义 | 第17-20页 |
·国内外研究现状 | 第20-23页 |
·国外 | 第20-23页 |
·国内 | 第23页 |
·本文相关内容的研究现状 | 第23-26页 |
·本文的研究内容与组织框架 | 第26-29页 |
·逻辑关系 | 第26-27页 |
·章节安排 | 第27-29页 |
第二章 模拟生物视觉的显著性目标检测 | 第29-48页 |
·引言 | 第29-30页 |
·视觉系统的信息处理模型 | 第30-33页 |
·集成去冗余和全局对比度的显著性目标检测方法 | 第33-40页 |
·静态与动态协同的显著性目标检测方法 | 第40-47页 |
·生物学启发 | 第40-41页 |
·时空显著性检测模型 | 第41-47页 |
·本章小结 | 第47-48页 |
第三章 场景增强与场景语义理解方法研究 | 第48-61页 |
·引言 | 第48页 |
·雾霾天气的场景增强 | 第48-54页 |
·光线衰减模型 | 第48-50页 |
·基于图像深度的去雾霾方法 | 第50-53页 |
·图像增强效果比较 | 第53-54页 |
·图像数据的语义空间描述方法 | 第54-56页 |
·低层特征到高层语义空间的映射 | 第54-55页 |
·图像的语义化描述 | 第55-56页 |
·基于 EM 算法的图像局部特征语义分析方法 | 第56-58页 |
·标准数据库的测试研究 | 第58-59页 |
·实验结果与分析 | 第59-60页 |
·本章小结 | 第60-61页 |
第四章 任务协同驱动的视觉注意计算模型 | 第61-80页 |
·引言 | 第61-62页 |
·自底向上的视觉显著计算模型 | 第62-65页 |
·预注意特征提取 | 第63-64页 |
·基于视网膜模型的场景信息提取 | 第64-65页 |
·视觉显著计算模型 | 第65页 |
·基于概率多任务的显著计算模型 | 第65-72页 |
·基本假设与模型框架 | 第66-67页 |
·概率多任务学习方法 | 第67-70页 |
·模型优化方法 | 第70-71页 |
·对比测试与结果分析 | 第71-72页 |
·采用拓扑特征描述的主动视觉注意模型 | 第72-79页 |
·基于拓扑描述的选择性注意 | 第72-77页 |
·实验结果与分析 | 第77-79页 |
·本章小结 | 第79-80页 |
第五章 面向交通场景的视觉显著目标检测和语义分析 | 第80-102页 |
·引言 | 第80页 |
·基于视觉显著性的交通标志检测和识别方法 | 第80-95页 |
·模拟视网膜的预滤波 | 第81-83页 |
·融合多特征的交通标志检测算法 | 第83-87页 |
·检测结果与分析 | 第87-91页 |
·基于对数 Gabor 和相位一致性的交通标志识别方法 | 第91-93页 |
·识别结果与分析 | 第93-95页 |
·基于视觉方向搜索的车道线检测 | 第95-101页 |
·道路图像的边缘检测 | 第95-97页 |
·基于视觉方向优先级的车道线搜索算法 | 第97-98页 |
·Hough 变换进行线段筛选 | 第98-99页 |
·算法验证与分析 | 第99-101页 |
·本章小结 | 第101-102页 |
第六章 车载视觉辅助驾驶系统设计与实车试验 | 第102-109页 |
·引言 | 第102页 |
·车载辅助驾驶系统设计 | 第102-104页 |
·试验装置的硬件设计 | 第102-104页 |
·试验装置的软件设计 | 第104页 |
·实车道路试验 | 第104-108页 |
·试验方案 | 第104-105页 |
·试验测试结果与分析 | 第105-108页 |
·本章小结 | 第108-109页 |
第七章 总结与展望 | 第109-112页 |
·主要工作与创新点 | 第109-111页 |
·主要工作 | 第109-110页 |
·主要创新点 | 第110-111页 |
·有待进一步研究的问题 | 第111-112页 |
参考文献 | 第112-124页 |
致谢 | 第124-125页 |
在学期间的研究成果及发表的学术论文 | 第125-127页 |
附录 | 第127页 |