| 摘要 | 第10-11页 |
| ABSTRACT | 第11页 |
| 第一章 绪论 | 第12-21页 |
| 1.1 课题研究背景及意义 | 第12-16页 |
| 1.1.1 无人驾驶技术的发展历程 | 第12-14页 |
| 1.1.2 运动场估计算法在无人驾驶技术中的应用 | 第14-16页 |
| 1.2 课题研究现状 | 第16-19页 |
| 1.2.1 运动场估计算法的研究现状 | 第16-18页 |
| 1.2.2 异源图像配准的研究现状 | 第18-19页 |
| 1.2.3 自运动估计的研究现状 | 第19页 |
| 1.3 课题来源及主要研究内容 | 第19-21页 |
| 1.3.1 课题来源 | 第19页 |
| 1.3.2 本文的研究内容及组织结构 | 第19-21页 |
| 第二章 基于模型的运动场估计 | 第21-35页 |
| 2.1 基于模型的运动场估计方法 | 第21-22页 |
| 2.2 运动场模型 | 第22-24页 |
| 2.2.1 仿射流 | 第22-23页 |
| 2.2.2 平面流 | 第23-24页 |
| 2.3 相似性度量 | 第24-27页 |
| 2.3.1 差方和(SSD) | 第24-25页 |
| 2.3.2 归一化互相关系数(NCC) | 第25页 |
| 2.3.3 归一化互信息(NMI) | 第25-26页 |
| 2.3.4 局部自相似(LSS) | 第26-27页 |
| 2.4 图像变换与插值 | 第27-28页 |
| 2.5 目标函数构造及优化方法 | 第28-33页 |
| 2.5.1 目标函数的构造 | 第29-30页 |
| 2.5.2 高斯牛顿法步骤 | 第30-32页 |
| 2.5.3 反向搜索法 | 第32-33页 |
| 2.6 本章小结 | 第33-35页 |
| 第三章 异源图像运动场估计方法及应用研究 | 第35-53页 |
| 3.1 运动场模型选择 | 第35-36页 |
| 3.2 异源图像的相似性度量 | 第36-39页 |
| 3.2.1 异源图像对的结构信息获取 | 第36-37页 |
| 3.2.2 基于梯度图的NCC相似性度量方法 | 第37-39页 |
| 3.3 基于分块遍历的异源图像相似空间求解 | 第39-42页 |
| 3.3.1 分块遍历策略 | 第40-41页 |
| 3.3.2 基于最优仿射变换的相似性度量 | 第41-42页 |
| 3.3.3 相似空间的定义与求解 | 第42页 |
| 3.4 基于无向图模型的运动场粗估计 | 第42-44页 |
| 3.5 面向异源图像的运动场估计方法 | 第44-46页 |
| 3.5.1 模型参数初值求解 | 第45-46页 |
| 3.5.2 基于最小化全局匹配误差的运动场模型参数估计 | 第46页 |
| 3.6 实验结果及分析 | 第46-51页 |
| 3.6.1 Ground Truth的获取及算法精度评价准则 | 第46-47页 |
| 3.6.2 实验结果与分析 | 第47-51页 |
| 3.7 本章算法在无人驾驶技术中的应用 | 第51-52页 |
| 3.8 本章小结 | 第52-53页 |
| 第四章 同源序贯图像运动场估计方法及应用研究 | 第53-70页 |
| 4.1 同源序贯图像运动场估计算法 | 第53-54页 |
| 4.2 基于单目序贯图像的自运动估计算法 | 第54-62页 |
| 4.2.1 模型简化 | 第55-56页 |
| 4.2.2 单目序贯图像自运动估计算法 | 第56-57页 |
| 4.2.3 实验结果与分析 | 第57-62页 |
| 4.3 基于双目序贯图像的自运动估计改进算法 | 第62-67页 |
| 4.3.1 双目序贯图像自运动估计改进算法 | 第62-63页 |
| 4.3.2 路面概率的获取 | 第63-64页 |
| 4.3.3 实验结果与分析 | 第64-67页 |
| 4.4 本章算法在无人驾驶技术中的应用 | 第67-69页 |
| 4.4.1 双目序贯图像采集 | 第67-68页 |
| 4.4.2 动态目标标注 | 第68-69页 |
| 4.5 本章小结 | 第69-70页 |
| 第五章 总结与展望 | 第70-72页 |
| 5.1 本文总结 | 第70页 |
| 5.2 展望 | 第70-72页 |
| 致谢 | 第72-73页 |
| 参考文献 | 第73-77页 |
| 作者在学期间取得的学术成果 | 第77页 |
| 发表的学术论文 | 第77页 |