| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 1 绪论 | 第8-15页 |
| 1.1 引言 | 第8-9页 |
| 1.2 障碍物检测与识别技术研究现状 | 第9-13页 |
| 1.2.1 国外研究现状 | 第9-11页 |
| 1.2.2 国内研究现状 | 第11-13页 |
| 1.3 本文研究的意义和主要内容 | 第13-15页 |
| 2 基于单目视觉图像的障碍物检测 | 第15-36页 |
| 2.1 原始图像预处理 | 第16-18页 |
| 2.1.1 图像预处理概述 | 第16-17页 |
| 2.1.2 基于中值滤波方法的预处理 | 第17-18页 |
| 2.2 图像分割算法 | 第18-28页 |
| 2.2.1 图像分割方法概述 | 第19-20页 |
| 2.2.2 基于Fisher准则函数的图像分割 | 第20-24页 |
| 2.2.3 基于K-means聚类的图像分割 | 第24-28页 |
| 2.3 图像形态学处理 | 第28-35页 |
| 2.3.1 形态学膨胀和腐蚀 | 第29-32页 |
| 2.3.2 小面积区域消去 | 第32-34页 |
| 2.3.3 空穴区域填充 | 第34-35页 |
| 2.4 本章小结 | 第35-36页 |
| 3 基于单目视觉图像的障碍物特征提取 | 第36-48页 |
| 3.1 基于HSI颜色空间的特征提取 | 第36-39页 |
| 3.2 基于Lab颜色空间的特征提取 | 第39-41页 |
| 3.3 基于二值化图像的特征提取 | 第41-47页 |
| 3.3.1 基于Canny算子的边缘检测 | 第42-43页 |
| 3.3.2 基于链码的边界表达 | 第43-47页 |
| 3.4 本章小结 | 第47-48页 |
| 4 基于贝叶斯(Bayes)分类理论的障碍物识别 | 第48-69页 |
| 4.1 障碍物图像识别系统概述 | 第48-50页 |
| 4.2 贝叶斯分类器 | 第50-66页 |
| 4.2.1 贝叶斯分类器原理 | 第50-51页 |
| 4.2.2 贝叶斯分类器设计 | 第51-66页 |
| 4.3 基于贝叶斯分类器多特征融合算法的障碍物识别 | 第66-67页 |
| 4.4 本章小结 | 第67-69页 |
| 5 试验及结果分析 | 第69-78页 |
| 5.1 试验平台 | 第69-71页 |
| 5.2 试验结果 | 第71-76页 |
| 5.3 结果分析 | 第76-78页 |
| 结论 | 第78-79页 |
| 1 主要研究成果 | 第78页 |
| 2 不足与展望 | 第78-79页 |
| 参考文献 | 第79-83页 |
| 附录 障碍物识别结果表 | 第83-111页 |
| 攻读硕士学位期间发表学术论文情况 | 第111-112页 |
| 致谢 | 第112-113页 |