| 摘要 | 第6-7页 |
| Abstract | 第7页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11页 |
| 1.2 车道线检测算法的研究现状 | 第11-13页 |
| 1.2.1 车道线检测算法的分类 | 第11-12页 |
| 1.2.2 基于道路模型的车道线检测技术背景 | 第12-13页 |
| 1.3 车道线识别发展现状 | 第13-14页 |
| 1.3.1 西方发达国家车道线识别的发展概况 | 第13-14页 |
| 1.3.2 我国车道线识别的发展概况 | 第14页 |
| 1.4 本文主要研究内容 | 第14-16页 |
| 第2章 智能电动小车硬件系统设计与实现 | 第16-26页 |
| 2.1 系统总体设计方案 | 第16-19页 |
| 2.1.1 智能车控制系统组成 | 第16-17页 |
| 2.1.2 智能车结构参数 | 第17页 |
| 2.1.3 控制系统硬件设计方案 | 第17-19页 |
| 2.2 控制器相关硬件设计 | 第19-20页 |
| 2.2.1 车载主控制器 | 第19-20页 |
| 2.2.2 电源模块 | 第20页 |
| 2.3 环境感知模块 | 第20-25页 |
| 2.3.1 超声波传感器URM37 | 第21-22页 |
| 2.3.2 红外反射传感器 | 第22页 |
| 2.3.3 电子罗盘和陀螺仪 | 第22-25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 图像采集及预处理 | 第26-41页 |
| 3.1 图像采集 | 第26-27页 |
| 3.2 基于OPENCV摄像机标定 | 第27-31页 |
| 3.2.1 线性摄像机成像模型 | 第27-29页 |
| 3.2.2 摄像机标定 | 第29-31页 |
| 3.3 逆透视映射(IPM) | 第31-34页 |
| 3.4 IPM图像数据的归一化处理 | 第34-35页 |
| 3.5 滤波和阈值化 | 第35-40页 |
| 3.5.1 高斯滤波 | 第35-36页 |
| 3.5.2 剔除IPM视图形成的左右边界 | 第36-39页 |
| 3.5.3 阈值化 | 第39-40页 |
| 3.6 本章小结 | 第40-41页 |
| 第4章 基于道路图像中车道线的检测 | 第41-66页 |
| 4.1 边缘提取 | 第41-42页 |
| 4.2 霍夫直线检测 | 第42-43页 |
| 4.3 RANSAC与贝塞尔曲线的样条拟合 | 第43-52页 |
| 4.3.1 RANSAC算法与最小二乘法的简单对比 | 第44页 |
| 4.3.2 贝塞尔曲线 | 第44-46页 |
| 4.3.3 RANSAC和贝塞尔曲线结合的曲线拟合算法 | 第46-52页 |
| 4.4 后处理阶段 | 第52-61页 |
| 4.4.1 样条曲线扩展 | 第52-58页 |
| 4.4.2 IPM图像中曲线的坐标转换 | 第58-59页 |
| 4.4.3 坐标转换后的曲线在原图像中的定位与扩展 | 第59-61页 |
| 4.5 车道线识别效果 | 第61-65页 |
| 4.6 本章小结 | 第65-66页 |
| 第5章 基于车道线的偏离预警 | 第66-74页 |
| 5.1 车道偏离常用预警模型简介 | 第66-67页 |
| 5.1.1 CCP预警决策模型 | 第66页 |
| 5.1.2 FOD预警决策模型 | 第66-67页 |
| 5.1.3 KBIRS预警决策模型 | 第67页 |
| 5.1.4 TLC的预警决策模型 | 第67页 |
| 5.2 智能电动小车的控制决策 | 第67-73页 |
| 5.2.1 预瞄点跟随控制方法 | 第68-71页 |
| 5.2.2 小车总体控制决策 | 第71-73页 |
| 5.3 本章小结 | 第73-74页 |
| 总结与展望 | 第74-76页 |
| 一. 总结 | 第74-75页 |
| 二. 展望 | 第75-76页 |
| 致谢 | 第76-77页 |
| 参考文献 | 第77-81页 |
| 攻读硕士学位期间发表的论文 | 第81页 |
