| 摘要 | 第4-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第11-19页 |
| 1.1 课题的背景与意义 | 第11-13页 |
| 1.1.1 课题背景 | 第11-13页 |
| 1.1.2 课题研究意义 | 第13页 |
| 1.2 研究现状 | 第13-17页 |
| 1.2.1 图像分类研究现状 | 第13-14页 |
| 1.2.2 车道线识别研究现状 | 第14-17页 |
| 1.3 现存的问题 | 第17页 |
| 1.4 论文研究内容及安排 | 第17-19页 |
| 第2章 图像模式分类方法研究 | 第19-33页 |
| 2.1 引言 | 第19-20页 |
| 2.2 图像特征提取 | 第20-21页 |
| 2.3 基于朴素贝叶斯的图像分类 | 第21-26页 |
| 2.3.1 贝叶斯拓扑结构 | 第21-22页 |
| 2.3.2 朴素贝叶斯模型建立 | 第22-23页 |
| 2.3.3 朴素贝叶斯分类实验 | 第23-26页 |
| 2.4 基于 BP 神经网络的图像分类 | 第26-32页 |
| 2.4.1 BP 神经网络分类器设计 | 第26-29页 |
| 2.4.2 BP 神经网络分类实验 | 第29-32页 |
| 2.5 本章小结 | 第32-33页 |
| 第3章 图像预处理 | 第33-43页 |
| 3.1 引言 | 第33页 |
| 3.2 图像增强方法研究 | 第33-38页 |
| 3.2.1 基于直方图均衡化的图像增强 | 第33-35页 |
| 3.2.2 基于灰度拉伸的图像增强 | 第35-36页 |
| 3.2.3 基于同态系统的图像增强 | 第36-38页 |
| 3.3 车道特征点跟踪搜索 | 第38-42页 |
| 3.3.1 车道边缘检测 | 第38-41页 |
| 3.3.2 基于边界跟踪的特征点搜索 | 第41-42页 |
| 3.4 本章小结 | 第42-43页 |
| 第4章 车道线拟合算法研究 | 第43-57页 |
| 4.1 引言 | 第43页 |
| 4.2 直道标志线拟合方法研究 | 第43-47页 |
| 4.2.1 基于改进 Hough 变换的车道线拟合 | 第43-45页 |
| 4.2.2 基于 RANSAC 算法的车道线拟合 | 第45-47页 |
| 4.3 弯道标志线拟合方法研究 | 第47-55页 |
| 4.3.1 基于 PSO 参数优化的抛物线拟合 | 第47-49页 |
| 4.3.2 基于 BPSO 参数优化的 B 样条曲线拟合 | 第49-55页 |
| 4.4 本章小结 | 第55-57页 |
| 第5章 车道线识别仿真实验 | 第57-65页 |
| 5.1 引言 | 第57页 |
| 5.2 仿真结果对比及分析 | 第57-60页 |
| 5.2.1 图像分类方法实验对比 | 第57-58页 |
| 5.2.2 车道线识别方法实验对比 | 第58-60页 |
| 5.3 多路况车道线识别仿真 | 第60-64页 |
| 5.4 本章小结 | 第64-65页 |
| 第6章 总结与展望 | 第65-67页 |
| 6.1 全文总结 | 第65-66页 |
| 6.2 展望 | 第66-67页 |
| 参考文献 | 第67-73页 |
| 附录1 训练样品特征数据 | 第73-78页 |
| 附录2 测试样品特征数据 | 第78-80页 |
| 作者简介及科研成果 | 第80-81页 |
| 致谢 | 第81页 |