| 摘要 | 第3-5页 |
| ABSTRACT | 第5-6页 |
| 1 绪论 | 第9-21页 |
| 1.1 研究背景与意义 | 第9-11页 |
| 1.2 车道线检测国内外研究现状 | 第11-17页 |
| 1.2.1 基于特征的车道线检测方法 | 第11-12页 |
| 1.2.2 基于模型的车道线检测方法 | 第12-15页 |
| 1.2.3 基于嵌入式平台的车道线检测 | 第15-16页 |
| 1.2.4 车道线跟踪国内外研究现状 | 第16-17页 |
| 1.3 车牌识别国内外研究现状 | 第17-18页 |
| 1.4 本文的研究内容与组织结构 | 第18-21页 |
| 1.4.1 本文的研究内容 | 第18-19页 |
| 1.4.2 本文的组织结构 | 第19-21页 |
| 2 图像预处理 | 第21-25页 |
| 2.1 引言 | 第21页 |
| 2.2 RGB图像灰度化 | 第21-23页 |
| 2.3 图像平滑 | 第23-24页 |
| 2.3.1 均值滤波 | 第23页 |
| 2.3.2 中值滤波 | 第23-24页 |
| 2.4 ROI的选择 | 第24页 |
| 2.5 本章小结 | 第24-25页 |
| 3 车道线特征检测算法 | 第25-33页 |
| 3.1 引言 | 第25页 |
| 3.2 基于边缘的车道线特征提取 | 第25-28页 |
| 3.2.1 一阶滤波算子 | 第25-26页 |
| 3.2.2 二阶滤波算子 | 第26-27页 |
| 3.2.3 方向滤波算子 | 第27-28页 |
| 3.3 基于颜色的车道线特征提取 | 第28-29页 |
| 3.4 基于车道线宽度和方向的高斯滤波 | 第29-31页 |
| 3.4.1 基于固定宽度和方向的高斯滤波 | 第29-30页 |
| 3.4.2 基于可变宽度和方向的高斯滤波 | 第30-31页 |
| 3.5 本章小结 | 第31-33页 |
| 4 车道线模型 | 第33-43页 |
| 4.1 引言 | 第33页 |
| 4.2 车道线长度约束 | 第33-34页 |
| 4.3 车道线左右边缘成对约束与车道线宽度一致性约束 | 第34页 |
| 4.4 车道线角度约束和平行约束 | 第34-36页 |
| 4.5 车道宽度的一致性约束 | 第36-37页 |
| 4.6 车道线类别检测 | 第37-38页 |
| 4.7 车道线跟踪 | 第38-41页 |
| 4.8 本章小结 | 第41-43页 |
| 5 车牌识别 | 第43-51页 |
| 5.1 引言 | 第43页 |
| 5.2 车牌区域定位 | 第43-45页 |
| 5.3 车牌字符分割与识别 | 第45-49页 |
| 5.3.1 基于成字概率的字符分割 | 第45-48页 |
| 5.3.2 基于卷积神经网络的字符分割 | 第48页 |
| 5.3.3 车牌字符识别 | 第48-49页 |
| 5.4 车牌跟踪 | 第49-50页 |
| 5.5 本章小结 | 第50-51页 |
| 6 基于深度神经网络的道路目标检测 | 第51-57页 |
| 6.1 引言 | 第51页 |
| 6.2 卷积神经网络 | 第51-53页 |
| 6.3 FCN8模型 | 第53-54页 |
| 6.4 PSPNet模型 | 第54-56页 |
| 6.5 本章小结 | 第56-57页 |
| 7 道路目标检测系统在Cortex-A53上的实现 | 第57-65页 |
| 7.1 引言 | 第57页 |
| 7.2 嵌入式Cortex-A53开发板环境配置 | 第57-58页 |
| 7.2.1 网络设置 | 第57-58页 |
| 7.2.2 远程登录软件 | 第58页 |
| 7.3 嵌入式Cortex-A53开发板编程环境搭建 | 第58-59页 |
| 7.4 道路目标检测系统实验 | 第59-63页 |
| 7.4.1 车道线检测 | 第59-60页 |
| 7.4.2 车牌检测与识别 | 第60-63页 |
| 7.4.3 道路目标检测系统 | 第63页 |
| 7.5 本章小结 | 第63-65页 |
| 8 总结与展望 | 第65-67页 |
| 8.1 总结 | 第65-66页 |
| 8.2 展望 | 第66-67页 |
| 参考文献 | 第67-71页 |
| 致谢 | 第71-73页 |
| 攻读学位期间发表的学术论文目录 | 第73页 |
