| 摘要 | 第4-5页 |
| Abstract | 第5页 |
| 第1章 绪论 | 第9-13页 |
| 1.1 课题研究的背景和意义 | 第9-10页 |
| 1.2 国内外研究现状和发展趋势 | 第10-11页 |
| 1.2.1 能见度检测 | 第10-11页 |
| 1.2.2 能见度预测 | 第11页 |
| 1.3 论文主要内容简介 | 第11-13页 |
| 第2章 大气能见度检测技术基础 | 第13-19页 |
| 2.1 大气能见度检测原理 | 第13-15页 |
| 2.1.1 大气能见度检测理论模型 | 第13-14页 |
| 2.1.2 大气能见度的影响因子 | 第14-15页 |
| 2.2 大气能见度检测方法 | 第15-18页 |
| 2.2.1 人工观测法 | 第15-16页 |
| 2.2.2 散射法 | 第16-17页 |
| 2.2.3 透射法 | 第17-18页 |
| 2.2.4 摄像法 | 第18页 |
| 2.3 本章小结 | 第18-19页 |
| 第3章 基于暗通道先验理论的能见度检测 | 第19-37页 |
| 3.1 采集图像预处理操作 | 第19-21页 |
| 3.2 大气透射率的获取操作 | 第21-24页 |
| 3.2.1 暗通道先验知识 | 第21-22页 |
| 3.2.2 大气透射率获取 | 第22-24页 |
| 3.3 大气透射率的细化操作 | 第24-28页 |
| 3.3.1 基于软抠图的透射率细化 | 第24-25页 |
| 3.3.2 基于导向滤波的透射率细化 | 第25-26页 |
| 3.3.3 透射率细化参数设置 | 第26-28页 |
| 3.4 大气能见度估计 | 第28-32页 |
| 3.4.1 车道线检测 | 第28-31页 |
| 3.4.2 消光系数度获取 | 第31-32页 |
| 3.4.3 图像能见度估计 | 第32页 |
| 3.5 能见度检测结果与分析 | 第32-35页 |
| 3.6 本章小结 | 第35-37页 |
| 第4章 基于人工神经网络的能见度预测 | 第37-57页 |
| 4.1 数据来源与处理 | 第37-39页 |
| 4.1.1 数据来源 | 第37页 |
| 4.1.2 数据样本选择 | 第37页 |
| 4.1.3 数据预处理 | 第37-39页 |
| 4.2 BP神经网络预测模型 | 第39-44页 |
| 4.2.1 BP神经网络的模型结构 | 第39-40页 |
| 4.2.2 BP神经网络的学习算法 | 第40-42页 |
| 4.2.3 BP神经网络预测模型设计 | 第42-44页 |
| 4.3 基于遗传算法的优化设计 | 第44-51页 |
| 4.3.1 遗传算法的原理 | 第45-47页 |
| 4.3.2 遗传算法的特点 | 第47-48页 |
| 4.3.3 基于遗传算法的优化设计 | 第48-51页 |
| 4.4 能见度预测结果与分析 | 第51-55页 |
| 4.4.1 GA-BP 神经网络能见度预测模型算法整体分析 | 第51页 |
| 4.4.2 GA-BP 神经网络能见度预测模型参数设计 | 第51-52页 |
| 4.4.3 实验结果与分析 | 第52-55页 |
| 4.5 本章小结 | 第55-57页 |
| 结论 | 第57-59页 |
| 参考文献 | 第59-65页 |
| 攻读硕士学位期间所发表的论文 | 第65-67页 |
| 致谢 | 第67页 |