基于嵌入式视觉系统的道路车辆检测技术研究
| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第9-14页 |
| 1.1 引言 | 第9-10页 |
| 1.2 基于视觉的车辆检测技术研究现状 | 第10-13页 |
| 1.2.1 基于机器学习的检测方法 | 第10-11页 |
| 1.2.2 基于先验知识的检测方法 | 第11页 |
| 1.2.3 光流场检测方法 | 第11-12页 |
| 1.2.4 基于模型匹配的检测方法 | 第12页 |
| 1.2.5 基于立体视觉的检测方法 | 第12-13页 |
| 1.3 本文主要章节内容 | 第13-14页 |
| 2 嵌入式视觉系统设计 | 第14-32页 |
| 2.1 引言 | 第14页 |
| 2.2 系统硬件平台 | 第14-22页 |
| 2.2.1 OMAP3530硬件结构 | 第14-15页 |
| 2.2.2 视频采集模块 | 第15-20页 |
| 2.2.3 视频显示模块 | 第20-22页 |
| 2.3 系统底层应用 | 第22-31页 |
| 2.3.1 Codec Engine简介及配置 | 第23-26页 |
| 2.3.2 视频采集 | 第26-29页 |
| 2.3.3 视频显示 | 第29-31页 |
| 2.4 本章小结 | 第31-32页 |
| 3 道路车辆检测算法研究 | 第32-50页 |
| 3.1 引言 | 第32页 |
| 3.2 环境分类 | 第32-33页 |
| 3.3 车辆特征分析 | 第33-34页 |
| 3.4 日间车辆检测 | 第34-43页 |
| 3.4.1 路面检测 | 第35-39页 |
| 3.4.2 车底阴影分割 | 第39-41页 |
| 3.4.3 车辆识别 | 第41-43页 |
| 3.5 夜间车辆检测 | 第43-48页 |
| 3.5.1 亮斑分割 | 第43-46页 |
| 3.5.2 基于车灯的夜间车辆检测 | 第46-47页 |
| 3.5.3 基于大亮斑的夜间车辆检测 | 第47-48页 |
| 3.6 车距标定 | 第48-49页 |
| 3.7 本章小结 | 第49-50页 |
| 4 OpenCV嵌入式平台移植 | 第50-58页 |
| 4.1 引言 | 第50页 |
| 4.2 OpenCV代码修改 | 第50-55页 |
| 4.3 整合OpenCV到Codec | 第55-56页 |
| 4.4 本章小结 | 第56-58页 |
| 5 道路试验与结果分析 | 第58-66页 |
| 5.1 引言 | 第58页 |
| 5.2 不同工况试验结果 | 第58-60页 |
| 5.3 实验数据分析 | 第60-64页 |
| 5.3.1 误检率和漏检率定义 | 第60-61页 |
| 5.3.2 强光照分析 | 第61-62页 |
| 5.3.3 常光照分析 | 第62页 |
| 5.3.4 弱光照分析 | 第62-63页 |
| 5.3.5 夜间分析 | 第63-64页 |
| 5.3.6 算法时间分析 | 第64页 |
| 5.4 本章小结 | 第64-66页 |
| 结论 | 第66-67页 |
| 参考文献 | 第67-73页 |
| 攻读硕士学位期间发表学术论文情况 | 第73-74页 |
| 致谢 | 第74-75页 |
