| 摘要 | 第3-4页 |
| Abstract | 第4页 |
| 注释表 | 第10-11页 |
| 1 绪论 | 第11-16页 |
| 1.1 研究背景和意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 国内研究现状 | 第12页 |
| 1.2.2 国外研究现状 | 第12-13页 |
| 1.2.3 选题动机 | 第13-14页 |
| 1.3 本文主要内容和组织结构 | 第14-16页 |
| 2 白天车辆检测 | 第16-46页 |
| 2.1 车道线检测 | 第16-23页 |
| 2.1.1 地平线获取与距离估计 | 第16-18页 |
| 2.1.2 获取车道线的超像素围栏 | 第18-23页 |
| 2.2 疑似车辆目标的检测 | 第23-27页 |
| 2.2.1 基于阴影和纹理特征的车辆检测 | 第24-27页 |
| 2.2.2 基于选择性搜索法的车辆检测 | 第27页 |
| 2.3 疑似车辆目标的验证 | 第27-43页 |
| 2.3.1 广泛使用的车辆分类描述符 | 第28页 |
| 2.3.2 基于PCANET的特征向量提取 | 第28-33页 |
| 2.3.3 支持向量机简介 | 第33-39页 |
| 2.3.4 基于LibS VM训练PCANET分类器 | 第39-43页 |
| 2.4 实验结果与分析 | 第43-46页 |
| 3 夜间车辆检测 | 第46-62页 |
| 3.1 国内外汽车灯具标准 | 第46-47页 |
| 3.2 相机配置 | 第47-48页 |
| 3.3 基于HSV颜色空间模型的图像尾灯分割 | 第48-54页 |
| 3.3.1 HSV颜色空间简介 | 第48-49页 |
| 3.3.2 ROI区域选择 | 第49-50页 |
| 3.3.3 尾灯区域分割 | 第50-52页 |
| 3.3.4 形态学运算 | 第52-53页 |
| 3.3.5 搜索疑似尾灯的连通域 | 第53-54页 |
| 3.4 Dempster-Shafer证据融合理论验证候选尾灯区域 | 第54-58页 |
| 3.4.1 Dempster-Shafer证据融合理论简介 | 第54-55页 |
| 3.4.2 基于证据融合理论对尾灯特征进行融合 | 第55-58页 |
| 3.5 实验结果与分析 | 第58-62页 |
| 4 车辆跟踪算法研究 | 第62-75页 |
| 4.1 常用的车辆跟踪算法 | 第62-66页 |
| 4.1.1 基于MeanShift的目标跟踪算法 | 第62-64页 |
| 4.1.2 基于光流法的车辆跟踪算法 | 第64-65页 |
| 4.1.3 基于卡尔曼滤波的车辆跟踪方法 | 第65-66页 |
| 4.2 白天和夜间场景下的车辆跟踪 | 第66-72页 |
| 4.2.1 基于MeanShift和智能跟踪队列的白天车辆跟踪 | 第66-69页 |
| 4.2.2 基于夜间检测模型和跟踪队列的夜间车辆跟踪 | 第69-72页 |
| 4.3 实验结果与分析 | 第72-75页 |
| 4.3.1 白天车辆跟踪结果 | 第72-74页 |
| 4.3.2 夜间车辆跟踪结果 | 第74-75页 |
| 5 本文总结与展望 | 第75-77页 |
| 5.1 论文总结 | 第75-76页 |
| 5.2 展望 | 第76-77页 |
| 致谢 | 第77-78页 |
| 参考文献 | 第78-82页 |
| 附录 | 第82页 |
