| 摘要 | 第6-7页 |
| Abstract | 第7-8页 |
| 第1章 绪论 | 第11-16页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-14页 |
| 1.2.1 国外研究现状 | 第12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.2.3 存在的问题分析 | 第13-14页 |
| 1.3 研究内容及相关技术路线 | 第14页 |
| 1.4 论文章节构成 | 第14-15页 |
| 1.5 本章小结 | 第15-16页 |
| 第2章 车道图像预处理的关键技术 | 第16-25页 |
| 2.1 图像白平衡 | 第16-19页 |
| 2.1.1 色彩恒常性 | 第16-17页 |
| 2.1.2 灰度世界法 | 第17-19页 |
| 2.2 图像灰度化 | 第19-20页 |
| 2.3 动态车道感兴趣区域提取 | 第20-22页 |
| 2.4 直方图均衡化 | 第22-24页 |
| 2.5 本章小结 | 第24-25页 |
| 第3章 基于RANSAC和Kalman滤波的自适应车道线检测 | 第25-43页 |
| 3.1 基于灰度直方图的自适应Canny边缘检测 | 第25-28页 |
| 3.1.1 Canny边缘检测算法 | 第25-27页 |
| 3.1.2 基于灰度直方图的自适应Canny阈值 | 第27-28页 |
| 3.2 基于概率Hough变换和RANSAC的车道线检测拟合 | 第28-36页 |
| 3.2.1 Hough变换 | 第28-30页 |
| 3.2.2 概率Hough变换 | 第30-31页 |
| 3.2.3 车道线拟合 | 第31-36页 |
| 3.3 基于Kalman滤波的车道线跟踪 | 第36-39页 |
| 3.3.1 Kalman滤波器原理 | 第36-37页 |
| 3.3.2 Kalman滤波车道建模 | 第37-39页 |
| 3.4 算法硬件实现 | 第39-42页 |
| 3.5 本章小结 | 第42-43页 |
| 第4章 基于GPU加速的实时车辆检测 | 第43-55页 |
| 4.1 Haar-like矩形特征 | 第43-45页 |
| 4.2 基于Adaboost的级联分类器 | 第45-46页 |
| 4.3 基于OpenCV级联分类器的探究与实现 | 第46-49页 |
| 4.4 基于GPU加速的车辆检测 | 第49-54页 |
| 4.4.1 GPU编程概述 | 第50-52页 |
| 4.4.2 基于OpenCV的CUDA编程 | 第52-54页 |
| 4.5 本章小结 | 第54-55页 |
| 第5章 车道预警模型及GUI实现 | 第55-66页 |
| 5.1 基于车道图像的车辆偏离预警 | 第55-56页 |
| 5.2 基于车道线相对角度的前车运动分析 | 第56-57页 |
| 5.3 基于车道和车辆检测的辅助驾驶系统实现 | 第57-65页 |
| 5.3.1 Qt编程简介 | 第58-60页 |
| 5.3.2 Qt Quick技术 | 第60-62页 |
| 5.3.3 GUI实现 | 第62-65页 |
| 5.4 本章小结 | 第65-66页 |
| 结论 | 第66-67页 |
| 致谢 | 第67-68页 |
| 参考文献 | 第68-71页 |
| 攻读硕士期间发表的论文 | 第71页 |