基于支持向量机的路面状态视频图像识别技术研究
| 致谢 | 第5-6页 |
| 中文摘要 | 第6-7页 |
| ABSTRACT | 第7-8页 |
| 1 引言 | 第12-22页 |
| 1.1 研究背景 | 第12-14页 |
| 1.1.1 研究问题的提出 | 第12-13页 |
| 1.1.2 研究目的和意义 | 第13-14页 |
| 1.1.2.1 研究目的 | 第13-14页 |
| 1.1.2.2 研究意义 | 第14页 |
| 1.2 路面状态检测国内外现状 | 第14-19页 |
| 1.2.1 路面状态定义 | 第14-15页 |
| 1.2.2 国内外路面状态检测技术研究现状 | 第15-17页 |
| 1.2.3 存在问题分析 | 第17-19页 |
| 1.3 研究内容与技术路线 | 第19-22页 |
| 2 路面状态图像样本库建立 | 第22-28页 |
| 2.1 路面状态图像样本采集 | 第22-25页 |
| 2.1.1 搭建路面状态图像样本采集实验系统 | 第22-23页 |
| 2.1.2 路面状态图像样本其他来源 | 第23-25页 |
| 2.2 基于图像分块的路面状态样本库建立 | 第25-27页 |
| 2.2.1 制定路面状态图像分块原则 | 第25-26页 |
| 2.2.2 建立路面状态图像样本库 | 第26-27页 |
| 2.3 本章小结 | 第27-28页 |
| 3 路面状态图像特征向量数据库建立 | 第28-52页 |
| 3.1 图像特征提取研究 | 第28-30页 |
| 3.1.1 图像特征概述 | 第28-29页 |
| 3.1.2 路面状态图像特征分析 | 第29-30页 |
| 3.2 路面状态图像颜色特征量提取研究 | 第30-40页 |
| 3.2.1 颜色空间的选取 | 第30-32页 |
| 3.2.2 图像颜色特征提取方法 | 第32-33页 |
| 3.2.3 基于颜色矩法提取路面状态图像颜色特征 | 第33-34页 |
| 3.2.4 路面状态图像颜色矩特征分析 | 第34-40页 |
| 3.3 路面状态图像纹理特征提取研究 | 第40-46页 |
| 3.3.1 图像纹理特征提取方法 | 第40-41页 |
| 3.3.2 基于灰度共生矩阵提取路面图像纹理特征 | 第41-43页 |
| 3.3.3 路面状态图像灰度共生矩阵纹理特征分析 | 第43-46页 |
| 3.4 路面状态图像特征向量数据库建立 | 第46-49页 |
| 3.5 本章小结 | 第49-52页 |
| 4 路面状态识别算法设计与研究 | 第52-62页 |
| 4.1 支持向量机分类器概述 | 第52页 |
| 4.2 SVM算法原理 | 第52-56页 |
| 4.2.1 线性可分支持向量机 | 第53-54页 |
| 4.2.2 线性不可分及非线性支持向量机 | 第54-55页 |
| 4.2.3 支持向量机的分类算法步骤 | 第55-56页 |
| 4.3 基于SVM的路面状态多分类算法设计 | 第56-57页 |
| 4.4 基于SVM参数寻优的路面状态分类模型 | 第57-60页 |
| 4.4.1 基于网格搜索算法的SVM参数寻优 | 第58页 |
| 4.4.2 路面状态分类模型建立 | 第58-60页 |
| 4.5 本章小结 | 第60-62页 |
| 5 路面状态图像分块识别验证 | 第62-80页 |
| 5.1 路面状态分类模型实验验证 | 第62-78页 |
| 5.1.1 干燥路面图像识别验证 | 第63-65页 |
| 5.1.2 潮湿路面图像识别验证 | 第65-67页 |
| 5.1.3 积水路面图像识别验证 | 第67-69页 |
| 5.1.4 积雪路面图像识别验证 | 第69-72页 |
| 5.1.5 结冰路面图像识别验证 | 第72-74页 |
| 5.1.6 混合状态路面图像识别验证 | 第74-78页 |
| 5.2 实验结论 | 第78-80页 |
| 6 结论与展望 | 第80-84页 |
| 6.1 论文研究结论 | 第80-81页 |
| 6.2 创新性成果 | 第81页 |
| 6.3 论文研究展望 | 第81-84页 |
| 参考文献 | 第84-88页 |
| 作者简历及攻读硕士学位期间取得的研究成果 | 第88-92页 |
| 学位论文数据集 | 第92页 |
