基于局部时空线索整合的城市道路理解
| 摘要 | 第9-10页 |
| ABSTRACT | 第10页 |
| 第一章 绪论 | 第11-19页 |
| 1.1 研究背景及意义 | 第11-13页 |
| 1.2 道路检测研究方法综述 | 第13-17页 |
| 1.2.1 非拥挤环境下的道路检测 | 第13-15页 |
| 1.2.2 拥挤环境下的道路预测 | 第15-17页 |
| 1.3 研究内容及主要贡献 | 第17-19页 |
| 1.3.1 论文的主要研究内容及贡献 | 第17-18页 |
| 1.3.2 论文的结构组织安排 | 第18-19页 |
| 第二章 基于立体视觉的道路检测 | 第19-47页 |
| 2.1 立体视觉 | 第19-22页 |
| 2.2 平面法向量计算 | 第22-26页 |
| 2.2.1 基于平面方程的法向量求解方法 | 第23-24页 |
| 2.2.2 基于向量叉乘的平面法向量求解方法 | 第24-25页 |
| 2.2.3 平面法向量求解实验 | 第25-26页 |
| 2.3 基于贝叶斯模型的道路边缘检测 | 第26-36页 |
| 2.3.1 边缘候选区域的提取 | 第28-30页 |
| 2.3.2 平面法向量特征的贝叶斯模型 | 第30-32页 |
| 2.3.3 高度特征和颜色特征的贝叶斯模型 | 第32-34页 |
| 2.3.4 多特征线索的融合 | 第34-35页 |
| 2.3.5 算法总结 | 第35-36页 |
| 2.4 基于多核SVR的道路边缘拟合 | 第36-39页 |
| 2.4.1 支持向量回归理论 | 第37-39页 |
| 2.4.2 多核支持向量回归模型拟合边缘 | 第39页 |
| 2.5 实验及分析 | 第39-45页 |
| 2.5.1 核函数SVR边缘拟合定量实验 | 第41-42页 |
| 2.5.2 参数化多核SVR边缘拟合定量实验 | 第42-43页 |
| 2.5.3 不同特征权值λ边缘拟合定量实验 | 第43页 |
| 2.5.4 在线道路检测实验及分析 | 第43-45页 |
| 2.6 本章小结 | 第45-47页 |
| 第三章 基于车辆行为的实时道路预测 | 第47-63页 |
| 3.1 卡尔曼滤波器 | 第48-51页 |
| 3.2 基于卡尔曼滤波的车辆跟踪算法 | 第51-53页 |
| 3.3 基于卡尔曼滤波思想的道路预测模型 | 第53-58页 |
| 3.3.1 道路概率栅格地图 | 第53-54页 |
| 3.3.2 道路区域预测模型 | 第54-57页 |
| 3.3.3 车道线预测模型 | 第57-58页 |
| 3.4 实验及分析 | 第58-60页 |
| 3.5 本章小结 | 第60-63页 |
| 第四章 总结与展望 | 第63-65页 |
| 4.1 论文工作总结 | 第63页 |
| 4.2 工作展望 | 第63-65页 |
| 致谢 | 第65-67页 |
| 参考文献 | 第67-73页 |
| 作者在学期间取得的学术成果 | 第73页 |
