基于达芬奇技术的车辆夜视辅助驾驶系统研究
| 摘要 | 第4-5页 |
| abstract | 第5-6页 |
| 第一章 绪论 | 第9-15页 |
| 1.1 研究背景和意义 | 第9-10页 |
| 1.2 国内外研究现状 | 第10-13页 |
| 1.2.1 国外研究现状 | 第10-12页 |
| 1.2.2 国内研究现状 | 第12-13页 |
| 1.3 主要研究内容及章节安排 | 第13-15页 |
| 第二章 达芬奇技术 | 第15-19页 |
| 2.1 硬件平台介绍 | 第15-17页 |
| 2.1.1 高速DSP技术 | 第15页 |
| 2.1.2 TMS320DM642概述 | 第15-17页 |
| 2.2 软件平台介绍 | 第17-18页 |
| 2.3 本章小结 | 第18-19页 |
| 第三章 夜视图像增强 | 第19-28页 |
| 3.1 图像增强算法 | 第19-24页 |
| 3.1.1 物理模型 | 第20-21页 |
| 3.1.2 暗通道定义 | 第21-22页 |
| 3.1.3 暗通道先验 | 第22页 |
| 3.1.4 算法流程 | 第22-24页 |
| 3.2 改进算法 | 第24-25页 |
| 3.2.1 图像偏暗问题 | 第24-25页 |
| 3.2.2 处理时间问题 | 第25页 |
| 3.3 图像增强实验 | 第25-26页 |
| 3.4 本章小结 | 第26-28页 |
| 第四章 夜视图像的车辆识别 | 第28-42页 |
| 4.1 光流法介绍 | 第28-31页 |
| 4.2 基于梯度的方法 | 第31-39页 |
| 4.2.1 Horn-Schunck算法 | 第31-33页 |
| 4.2.2 Lucas-Kanade算法 | 第33-35页 |
| 4.2.3 金字塔光流法 | 第35-39页 |
| 4.3 基于光流法改进的Vibe车辆识别算法 | 第39-40页 |
| 4.4 车辆识别实验 | 第40-41页 |
| 4.5 本章小结 | 第41-42页 |
| 第五章 夜视图像的行人检测 | 第42-61页 |
| 5.1 特征提取 | 第42-50页 |
| 5.1.1 LBP特征 | 第42-44页 |
| 5.1.2 Haar-like特征 | 第44-46页 |
| 5.1.3 HOG特征 | 第46-50页 |
| 5.2 分类器 | 第50-56页 |
| 5.2.1 SVM分类器 | 第50-53页 |
| 5.2.2 神经网络分类器 | 第53-55页 |
| 5.2.3 Adaboost分类器 | 第55-56页 |
| 5.3 基于SVM改进的Adaboost分类器 | 第56-58页 |
| 5.4 行人检测实验 | 第58-60页 |
| 5.4.1 分类器的训练及识别 | 第58-59页 |
| 5.4.2 实验及结果分析 | 第59-60页 |
| 5.5 本章小结 | 第60-61页 |
| 总结与展望 | 第61-63页 |
| 参考文献 | 第63-67页 |
| 攻读学位期间取得的研究成果 | 第67-68页 |
| 致谢 | 第68页 |
