| 摘要 | 第1-6页 |
| Abstract | 第6-11页 |
| 插图索引 | 第11-12页 |
| 附表索引 | 第12-13页 |
| 第1章 绪论 | 第13-19页 |
| ·课题研究背景及意义 | 第13-14页 |
| ·国内外研究现状 | 第14-16页 |
| ·本文系统框架及主要内容 | 第16-17页 |
| ·本章小结 | 第17-19页 |
| 第2章 非结构化道路检测算法相关研究 | 第19-35页 |
| ·非结构化道路检测算法的组成及分类 | 第19-20页 |
| ·基于特征的道路图像分割 | 第19-20页 |
| ·道路模型匹配 | 第20页 |
| ·基于特征的道路图象分割常用方法 | 第20-22页 |
| ·基于灰度特征的方法 | 第21页 |
| ·基于彩色特征的方法 | 第21页 |
| ·基于纹理特征的方法 | 第21-22页 |
| ·基于彩色特征分割方法的相关算法研究 | 第22-27页 |
| ·直方图 | 第22-23页 |
| ·支持向量机(SVM) | 第23-24页 |
| ·区域增长 | 第24-25页 |
| ·人工神经网络 | 第25-26页 |
| ·混合高斯模型 | 第26-27页 |
| ·现有道路模型匹配方法的相关研究 | 第27-32页 |
| ·直线模型 | 第27-28页 |
| ·模板匹配 | 第28-29页 |
| ·抛物线模型 | 第29-30页 |
| ·样条曲线模型 | 第30-32页 |
| ·非结构化道路检测算法中存在的难点 | 第32-33页 |
| ·本章小结 | 第33-35页 |
| 第3章 改进的彩色特征混合高斯模型道路分割算法 | 第35-47页 |
| ·基于混合高斯模型的道路分割方法分析 | 第35-36页 |
| ·改进的彩色特征混合高斯模型方法 | 第36-38页 |
| ·聚类的实时性的改进方案 | 第38-40页 |
| ·传统K-means方法 | 第38-39页 |
| ·基于优化聚类中心的K-means聚类算法 | 第39-40页 |
| ·道路图像预处理改进方案 | 第40-43页 |
| ·分块分类方法 | 第40-42页 |
| ·分块分类混合高斯模型 | 第42-43页 |
| ·实验对比分析 | 第43-45页 |
| ·实验环境介绍 | 第43页 |
| ·实验结果分析 | 第43-45页 |
| ·本章小结 | 第45-47页 |
| 第4章 基于混合高斯模型和B-spline的道路检测算法 | 第47-59页 |
| ·MAX-EDGE算法分析 | 第47-48页 |
| ·非结构化道路检测算法(BSGMM_BS) | 第48-54页 |
| ·算法描述 | 第48-49页 |
| ·道路模型 | 第49-50页 |
| ·分块分段方法 | 第50-51页 |
| ·道路模型求解 | 第51-54页 |
| ·混合高斯模型更新问题 | 第54页 |
| ·实验对比分析 | 第54-57页 |
| ·本章小结 | 第57-59页 |
| 第5章 道路检测算法在无人驾驶系统中的应用 | 第59-69页 |
| ·无人驾驶汽车实验平台介绍 | 第59-60页 |
| ·视觉导航系统的实现 | 第60-68页 |
| ·导航系统的组成结构 | 第60-62页 |
| ·摄像机标定功能实现 | 第62-65页 |
| ·非结构化道路检测算法实现 | 第65-67页 |
| ·视觉导航系统运行示意图 | 第67-68页 |
| ·视觉导航系统实地运行结果 | 第68页 |
| ·本章小结 | 第68-69页 |
| 总结与展望 | 第69-71页 |
| 1. 本文工作总结 | 第69页 |
| 2. 下一步工作展望 | 第69-71页 |
| 参考文献 | 第71-75页 |
| 致谢 | 第75-76页 |
| 附录A 攻读学位期间所发表的学术论文目录 | 第76-77页 |
| 附录B 攻读学位期间所参加的科研项目目录 | 第77页 |