汽车辅助安全驾驶中基于视频的障碍物检测方法研究
| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 缩略词表 | 第11-12页 |
| 第一章 绪论 | 第12-20页 |
| 1.1 研究背景及意义 | 第12-14页 |
| 1.2 国内外研究现状及发展趋势 | 第14-17页 |
| 1.2.1 障碍物检测技术研究现状 | 第14-15页 |
| 1.2.2 基于视觉的障碍物检测技术 | 第15-17页 |
| 1.3 本文主要研究内容和技术路线 | 第17-18页 |
| 1.4 论文结构安排 | 第18-20页 |
| 第二章 图像预处理和可行域分割 | 第20-38页 |
| 2.1 图像预处理 | 第20-26页 |
| 2.1.1 图像灰度化 | 第20-23页 |
| 2.1.2 图像滤波 | 第23-25页 |
| 2.1.3 直方图均衡化 | 第25-26页 |
| 2.2 道路区域提取 | 第26-35页 |
| 2.2.1 坐标系关系 | 第26-30页 |
| 2.2.2 概率累计霍夫变换 | 第30-31页 |
| 2.2.3 车道线检测 | 第31-35页 |
| 2.3 可行域确定 | 第35-37页 |
| 2.3.1 危险区域确定 | 第35-36页 |
| 2.3.2 可行域搜索策略 | 第36-37页 |
| 2.4 本章小结 | 第37-38页 |
| 第三章 基于似物性的障碍物检测 | 第38-63页 |
| 3.1 似物性推荐理论 | 第38-42页 |
| 3.1.1 OBN方法 | 第38-39页 |
| 3.1.2 SEL方法 | 第39-40页 |
| 3.1.3 CSVM方法 | 第40-41页 |
| 3.1.4 BING方法 | 第41-42页 |
| 3.2 BING评价体系 | 第42-49页 |
| 3.2.1 BING特征 | 第42-44页 |
| 3.2.2 似物性估计 | 第44-49页 |
| 3.3 SVM原理 | 第49-56页 |
| 3.3.1 SVM基础理论 | 第49-51页 |
| 3.3.2 核函数 | 第51-52页 |
| 3.3.3 SVM参数优化 | 第52-53页 |
| 3.3.4 SVM多分类方法 | 第53-56页 |
| 3.4 仿真结果及分析 | 第56-62页 |
| 3.5 本章小结 | 第62-63页 |
| 第四章 基于ACF的障碍物识别 | 第63-77页 |
| 4.1 ACF特征 | 第63-69页 |
| 4.1.1 LUV通道 | 第63-65页 |
| 4.1.2 梯度幅值通道 | 第65页 |
| 4.1.3 HOG通道 | 第65-69页 |
| 4.2 识别策略 | 第69-74页 |
| 4.2.1 多层滑窗识别理论 | 第69-70页 |
| 4.2.2 通道特征采样理论 | 第70-72页 |
| 4.2.3 多层优化识别理论 | 第72-74页 |
| 4.3 仿真结果及分析 | 第74-76页 |
| 4.4 本章小结 | 第76-77页 |
| 第五章 道路障碍物标定与跟踪 | 第77-94页 |
| 5.1 道路障碍物标定 | 第77-83页 |
| 5.1.1 消失点检测 | 第77-80页 |
| 5.1.2 道路障碍物测量 | 第80-83页 |
| 5.2 道路障碍物跟踪 | 第83-90页 |
| 5.2.1 CMT跟踪算法 | 第83-89页 |
| 5.2.2 多线程融合 | 第89-90页 |
| 5.3 仿真结果及分析 | 第90-93页 |
| 5.4 本章小结 | 第93-94页 |
| 第六章 总结与展望 | 第94-97页 |
| 6.1 本文工作总结 | 第94-95页 |
| 6.1.1 论文主要工作 | 第94-95页 |
| 6.1.2 研究创新点及主要贡献 | 第95页 |
| 6.2 研究工作展望 | 第95-97页 |
| 致谢 | 第97-98页 |
| 参考文献 | 第98-103页 |
| 攻读硕士学位期间的研究成果 | 第103-104页 |
