| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第8-13页 |
| 1.1 智能驾驶系统的研究背景 | 第8页 |
| 1.2 研究目的和意义 | 第8-9页 |
| 1.3 国内外研究现状 | 第9-10页 |
| 1.4 论文的主要工作及结构安排 | 第10-13页 |
| 第2章 红灯识别的基础理论 | 第13-19页 |
| 2.1 数字图像的基础知识 | 第13-15页 |
| 2.1.1 数字图像的概念 | 第13页 |
| 2.1.2 数字图像处理简介 | 第13-14页 |
| 2.1.3 数字图像处理的目的及常用方法 | 第14-15页 |
| 2.2 几种常见的色度空间模型 | 第15-17页 |
| 2.2.1 RGB模型 | 第15-16页 |
| 2.2.2 HSV模型 | 第16-17页 |
| 2.2.3 YUV模型 | 第17页 |
| 2.3 交通信号灯的先验知识 | 第17-18页 |
| 2.4 本章小结 | 第18-19页 |
| 第3章 信号灯智能提取的实验环境 | 第19-28页 |
| 3.1 Android平台介绍 | 第19页 |
| 3.2 实验环境所用软件介绍 | 第19-24页 |
| 3.2.1 MATLAB简介 | 第19-20页 |
| 3.2.2 MicrosoftVisualStudio2010平台 | 第20-21页 |
| 3.2.3 OPENCV应用 | 第21-24页 |
| 3.3 Android开发环境简介 | 第24-26页 |
| 3.3.1 Android开发环境的搭建 | 第24-25页 |
| 3.3.2 配置C语言调用环境 | 第25-26页 |
| 3.4 移动智能终端简介 | 第26-27页 |
| 3.5 本章小结 | 第27-28页 |
| 第4章 红灯智能提取技术的研究 | 第28-48页 |
| 4.1 红灯信息提取系统的流程框图 | 第28页 |
| 4.2 图像预处理 | 第28-30页 |
| 4.2.1 目标区域的初筛选 | 第29页 |
| 4.2.2 图像二值化 | 第29-30页 |
| 4.3 基于色度空间的图像分割 | 第30-31页 |
| 4.4 基于红灯形状特征的判别 | 第31-34页 |
| 4.4.1 疑似目标区域标签化 | 第31-32页 |
| 4.4.2 基于标记区域的最小外接矩形特征判别 | 第32-34页 |
| 4.5 集中判别 | 第34-38页 |
| 4.5.1 竖向集中判别 | 第35-37页 |
| 4.5.2 横向集中判别 | 第37-38页 |
| 4.6 基于边缘特征的判别 | 第38-45页 |
| 4.6.1 红灯图像的灰度化 | 第38-39页 |
| 4.6.2 边缘算子介绍 | 第39-41页 |
| 4.6.3 不同边缘算子的结果对比 | 第41-42页 |
| 4.6.4 边缘判别 | 第42-45页 |
| 4.7 基于红灯几何特征的判别 | 第45-47页 |
| 4.7.1 质心特征判别 | 第45-46页 |
| 4.7.2 面积特征判别 | 第46-47页 |
| 4.8 红灯提取结果展示 | 第47页 |
| 4.9 本章小结 | 第47-48页 |
| 第5章 交通信号灯智能检测的实现 | 第48-63页 |
| 5.1 开发平台的组建 | 第48-51页 |
| 5.2 实验结果及分析 | 第51-62页 |
| 5.3 本章小结 | 第62-63页 |
| 第6章 总结与展望 | 第63-65页 |
| 6.1 工作总结 | 第63页 |
| 6.2 未来工作展望 | 第63-65页 |
| 致谢 | 第65-66页 |
| 参考文献 | 第66-67页 |