| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第9-19页 |
| 1.1 研究背景及意义 | 第9-10页 |
| 1.2 国内外智能汽车发展现状 | 第10-12页 |
| 1.2.1 国家政策 | 第10页 |
| 1.2.2 技术路线 | 第10-12页 |
| 1.2.3 企业概况 | 第12页 |
| 1.3 智能汽车环境感知算法研究现状 | 第12-18页 |
| 1.3.1 车辆检测研究现状 | 第12-15页 |
| 1.3.2 行人检测研究现状 | 第15-17页 |
| 1.3.3 多目标跟踪研究现状 | 第17-18页 |
| 1.4 论文研究内容 | 第18-19页 |
| 第二章 智能汽车环境感知硬件平台 | 第19-27页 |
| 2.1 视觉传感器通讯方式 | 第19-21页 |
| 2.2 单目视觉传感器标定 | 第21-26页 |
| 2.2.1 坐标系及对应关系 | 第21-24页 |
| 2.2.2 单目视觉传感器内外参数标定 | 第24-26页 |
| 2.3 小结 | 第26-27页 |
| 第三章 基于级联分类器的车辆位置检测算法 | 第27-41页 |
| 3.1 基于HOG+ADABOOST的车辆检测 | 第27-32页 |
| 3.1.1 Hog特征提取 | 第27-28页 |
| 3.1.2 AdaBoost算法原理 | 第28-30页 |
| 3.1.3 基于Hog+AdaBoost的车辆检测流程 | 第30-32页 |
| 3.2 基于级联方法的车辆检测算法 | 第32-37页 |
| 3.2.1 Haar特征提取 | 第32-34页 |
| 3.2.2 支持向量机算法原理 | 第34-35页 |
| 3.2.3 变尺寸滑窗 | 第35-36页 |
| 3.2.4 基于级联的车辆检测流程 | 第36-37页 |
| 3.3 道路试验结果 | 第37-39页 |
| 3.4 小结 | 第39-41页 |
| 第四章 基于特征融合的行人位置检测算法 | 第41-51页 |
| 4.1 基于ACF的行人检测算法 | 第41-43页 |
| 4.1.1 ACF特征提取 | 第41-42页 |
| 4.1.2 行人检测算法流程 | 第42-43页 |
| 4.2 基于特征融合的行人检测算法 | 第43-47页 |
| 4.2.1 LBP特征提取与特征融合 | 第43-44页 |
| 4.2.2 样本处理与数据增强 | 第44-45页 |
| 4.2.3 行人检测模型训练 | 第45-46页 |
| 4.2.4 图像金字塔 | 第46-47页 |
| 4.2.5 基于特征融合的行人检测算法 | 第47页 |
| 4.3 道路实验结果 | 第47-49页 |
| 4.4 小结 | 第49-51页 |
| 第五章 基于时空上下文的目标跟踪算法 | 第51-59页 |
| 5.1 空间上下文先验概率 | 第51-52页 |
| 5.2 基于时空上下文的目标跟踪算法 | 第52-55页 |
| 5.2.1 目标跟踪算法 | 第52-54页 |
| 5.2.2 多尺度目标跟踪实现 | 第54-55页 |
| 5.3 基于检测的多目标跟踪 | 第55-56页 |
| 5.4 多目标跟踪结果 | 第56-58页 |
| 5.5 小结 | 第58-59页 |
| 第六章 总结与展望 | 第59-61页 |
| 6.1 论文工作总结 | 第59页 |
| 6.2 未来工作展望 | 第59-61页 |
| 致谢 | 第61-63页 |
| 参考文献 | 第63-71页 |
| 攻读学位期间取得的研究成果 | 第71页 |