基于图像识别的智能小车障碍物检测方法研究
| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第一章 绪论 | 第10-18页 |
| 1.1 研究背景及意义 | 第10-11页 |
| 1.2 国内外研究现状 | 第11-15页 |
| 1.2.1 智能车辆研究现状 | 第11-14页 |
| 1.2.2 障碍物检测研究现状 | 第14-15页 |
| 1.3 本文研究内容及章节安排 | 第15-18页 |
| 第二章 基于受限区域生长及饱和度特征的障碍物检测 | 第18-42页 |
| 2.1 算法描述 | 第18-19页 |
| 2.2 障碍物检测图像预处理 | 第19-26页 |
| 2.2.1 原始彩色图像灰度化 | 第19-20页 |
| 2.2.2 障碍物图像空间滤波去噪处理 | 第20-21页 |
| 2.2.3 障碍物目标边缘提取 | 第21-23页 |
| 2.2.4 障碍物图像形态学处理 | 第23-26页 |
| 2.3 障碍物粗定位 | 第26-29页 |
| 2.3.1 粗定位流程 | 第26-27页 |
| 2.3.2 基于受限区域生长的粗定位算法 | 第27-29页 |
| 2.4 障碍物精细定位 | 第29-33页 |
| 2.4.1 精细定位流程 | 第29-30页 |
| 2.4.2 基于饱和度特征的精细定位算法 | 第30-33页 |
| 2.5 实验与分析 | 第33-39页 |
| 2.5.1 平台介绍 | 第33页 |
| 2.5.2 数据采集 | 第33-34页 |
| 2.5.3 实验结果 | 第34-37页 |
| 2.5.4 结果分析 | 第37-39页 |
| 2.6 障碍物检测对比实验 | 第39-40页 |
| 2.7 本章小结 | 第40-42页 |
| 第三章 障碍物测距 | 第42-60页 |
| 3.1 测距流程 | 第42-43页 |
| 3.2 单目测距模型 | 第43-45页 |
| 3.3 几何空间坐标变换 | 第45-50页 |
| 3.4 摄像头标定 | 第50-53页 |
| 3.5 实验与分析 | 第53-57页 |
| 3.5.1 平台介绍 | 第53页 |
| 3.5.2 数据采集 | 第53-54页 |
| 3.5.3 实验结果 | 第54-56页 |
| 3.5.4 结果分析 | 第56-57页 |
| 3.6 障碍物测距对比实验 | 第57-58页 |
| 3.7 本章小结 | 第58-60页 |
| 第四章 智能小车障碍物检测系统设计 | 第60-70页 |
| 4.1 系统设计流程 | 第60-61页 |
| 4.2 系统平台搭建 | 第61-63页 |
| 4.3 实验与分析 | 第63-66页 |
| 4.4 算法实现 | 第66-69页 |
| 4.5 本章小结 | 第69-70页 |
| 第五章 总结与展望 | 第70-72页 |
| 5.1 总结 | 第70-71页 |
| 5.2 展望 | 第71-72页 |
| 致谢 | 第72-74页 |
| 参考文献 | 第74-78页 |
| 附录A: 攻读硕士学位期间学术论文发表成果 | 第78-80页 |
| 附录B: 攻读硕士学位期间参与的基金项目 | 第80页 |
