| 摘要 | 第5-6页 |
| ABSTRACT | 第6-7页 |
| 目录 | 第8-10页 |
| 第一章 绪论 | 第10-15页 |
| 1.1 课题背景 | 第10-11页 |
| 1.2 课题重点与难点 | 第11-12页 |
| 1.3 当前存在的车辆检测手段 | 第12-13页 |
| 1.4 本文的工作 | 第13-14页 |
| 1.5 文章的组织结构 | 第14-15页 |
| 第二章 基于机器视觉的前方车辆检测技术综述 | 第15-27页 |
| 2.1 车辆检测技术的框架 | 第15页 |
| 2.2 HG 阶段的疑似车辆区域提取 | 第15-22页 |
| 2.3 HV 阶段的疑似车辆区域验证 | 第22-26页 |
| 2.4 本章小结 | 第26-27页 |
| 第三章 前车检测中的特征提取 | 第27-49页 |
| 3.1 引言 | 第27-28页 |
| 3.2 车辆特征的选择 | 第28-30页 |
| 3.3 初始阴影阈值的选取 | 第30-34页 |
| 3.4 阴影特征提取算法 | 第34-45页 |
| 3.4.1 现有提取阴影特征算法的缺陷 | 第34-36页 |
| 3.4.2 适用于阴影特征提取的图像预处理 | 第36-40页 |
| 3.4.3 基于阴影直线融合的阴影特征提取算法 | 第40-43页 |
| 3.4.4 基于 Frame-Reduce 图像的过滤 | 第43-45页 |
| 3.5 实验结果与分析 | 第45-48页 |
| 3.6 本章小结 | 第48-49页 |
| 第四章 前车检测中的车辆验证 | 第49-69页 |
| 4.1 引言 | 第49-50页 |
| 4.2 基于权值的投票验证机制 | 第50-59页 |
| 4.2.1 位置估计 | 第50-52页 |
| 4.2.2 对称性检测 | 第52-55页 |
| 4.2.3 阴影区域检测 | 第55-57页 |
| 4.2.4 历史信息匹配 | 第57-58页 |
| 4.2.5 投票结果处理 | 第58-59页 |
| 4.3 基于 Haar-like 特征与 Adaboost 的车辆验证 | 第59-63页 |
| 4.3.1 Haar-like 特征 | 第59-61页 |
| 4.3.2 Adaboost 训练算法 | 第61-63页 |
| 4.3.3 ROI 的检测 | 第63页 |
| 4.4 基于车辆历史信息的车辆跟踪 | 第63-65页 |
| 4.5 实验结果与分析 | 第65-67页 |
| 4.6 本章小结 | 第67-69页 |
| 第五章 总结与展望 | 第69-71页 |
| 5.1 论文总结 | 第69-70页 |
| 5.2 论文展望 | 第70-71页 |
| 致谢 | 第71-72页 |
| 参考文献 | 第72-75页 |
| 详细摘要 | 第75-78页 |